往哪儿看：基础模型能否通过主动探索到达目标视点？ Where to Look: Can Foundation Models Reach a Target Viewpoint Through Active Exploration?

方法步骤的完整描述如下：第一步，构建TVRBench基准。作者使用两个场景源：单房间任务使用AI2-THOR（120个厨房、客厅、卧室和浴室），多房间任务使用ProcTHOR-10k（120个2-3个房间的家庭）。将240个场景按1:2:3比例分割为SFT、评估和RL训练集，确保评估场景在训练中未见过。每个任务是场景中采样的（起始，目标）姿态对，按最短路径长度（单房间2-8步，多房间10-20步）和目标视图可见对象数量（easy≥9，hard 3-6）交叉，形成四个任务类别：Single-easy、Single-hard、Multi-easy、Multi-hard。评估集包含每类别125个任务，共500个任务。第二步，设计状态和动作空间。智能体状态st=(xt, zt, θt, ϕt)包含地面位置、身体偏航角和相机俯仰角。每步选择9个离散动作之一：MoveAhead、MoveBack、MoveLeft、MoveRight（身体移动0.25米），RotateLeft、RotateRight（身体旋转±45°），LookUp、LookDown（相机俯仰±30°），Stop（终止）。第三步，定义成功标准和评估指标。当且仅当智能体发出Stop且最终姿态sT与目标姿态s⋆相同时成功。报告四个诊断指标：最终姿态误差|∆p|、|∆θ|、|∆ϕ|，停止率，假停止率F-stop（在非目标姿态发出Stop的比例），以及平均步数。第四步，生成专家轨迹用于SFT。使用具有特权访问模拟器内部状态的规则规划器，为每个任务(s0, s⋆)生成三阶段动作序列：视图对齐（旋转身体和调整头部俯仰）、导航（使用Dijkstra算法在离散状态空间上运行最短路径算法）、终止（发出Stop）。规划器是确定性的，为每个任务产生一条最优轨迹，共1600条SFT轨迹。第五步，SFT训练。使用Qwen3.5-9B作为骨干，冻结视觉编码器，全参数更新。使用AdamW优化器，bf16精度，学习率1×10^-5，余弦调度，10%线性预热。在AO变体上训练3个epoch，在VA变体上训练5个epoch。对于CoT变体，使用MiMo-V2.5通过API为每一步生成简短的观测理由，与规则轨迹结合使用。第六步，Single-turn GRPO训练。将SFT轨迹展平为独立的(It, I⋆, a∗t)提示，优化单步动作策略。使用GRPO算法，组大小G=8，温度0.9，学习率1×10^-6，GRPO裁剪阈值ϵ=0.2，KL系数β∈{0.01, 0.05}。第七步，Multi-turn GRPO训练。在实时TVRBench中滚动轨迹，优化轨迹级策略。初始化从VA-SFT检查点，使用8个并行环境实例，组大小G=8个轨迹，最大轨迹长度Tmax=30。学习率1×10^-7，GRPO裁剪ϵ=0.2，KL系数β=0.01。奖励函数包含四项：步数惩罚cstep=0.01、格式项r_fmt、进步项r_prog和终止项r_term。

技术新颖性体现在三个方面：首先，TVR任务和TVRBench基准填补了现有研究中的一个空白，它明确评估智能体通过具身运动重现特定视角的能力，而非仅仅到达区域或识别对象。任务设计在场景规模和目标视图视觉丰富度两个维度上系统变化，为诊断模型在探索效率、空间记忆和感知-动作映射方面的能力提供了协议。其次，本文通过细致的基准评估识别了两个一致且此前未被充分研究的瓶颈：多轮视觉历史的利用和空间差异到身体移动的映射。这些发现通过消融实验和诊断指标得到支持，例如，移除身体移动动作将模型从2.8%提升到80.5%，而仅允许身体移动时它保持在10.0%。最后，本文开发了一个统一的TVR后训练框架，系统比较了专家轨迹SFT、CoT-SFT、单轮GRPO和多轮GRPO在闭环环境中的效果。这一框架揭示了关键发现：视觉-动作SFT提供主要改进（50.8%），而多轮GRPO提供针对性的多房间细化（51.4%），而CoT监督和单轮GRPO降低闭环性能。这一发现与现有基于每步监督或单步RL的范式形成对比，强调了轨迹级优化对多步闭环任务的重要性。

独立分析的弱点包括以下几个方面。第一，多房间性能仍然远低于单房间性能。即使在使用多轮GRPO后，Multi-easy（34.4%）和Multi-hard（25.6%）仍显著低于Single-easy（81.6%）和Single-hard（64.0%）。这表明模型在跨房间导航和长期规划方面仍有困难，可能需要更强大的空间记忆和推理能力。改进方向：引入更复杂的空间记忆机制，如基于注意力的记忆模块或场景图表示，帮助模型更好地跨房间跟踪位置和目标。第二，硬目标任务（hard）比容易任务（easy）更难。Single-hard（68.8%）低于Single-easy（82.4%），Multi-hard（25.6%）低于Multi-easy（34.4%）。硬任务的目标视图视觉证据稀少（仅3-6个可见对象），使得视角匹配更具挑战性。改进方向：开发更好的视觉相似度度量，结合对象级特征和全局布局信息，帮助模型在视觉线索稀少时进行决策。第三，当前训练依赖于规则生成的专家轨迹，这可能限制模型学习到的策略多样性。规则规划器总是使用相同的策略（先对齐视角，再导航，最后终止），这可能导致模型学习到僵化的行为模式。改进方向：探索从人类演示学习，或使用多样化的策略集合进行训练，增强模型的适应性和鲁棒性。第四，CoT监督降低性能，这表明当前生成的理由可能不提供有用的监督信号，甚至可能干扰动作学习。改进方向：设计更高质量的CoT注释，专注于空间推理和决策的关键方面，或探索其他形式的结构化推理监督，如决策树或因果推理图。第五，单轮GRPO降低闭环性能，表明每步动作匹配不足以学习恢复策略。改进方向：开发更复杂的RL算法，结合每步奖励和轨迹级奖励，或引入探索策略，帮助模型学习从非专家状态恢复。

未来研究方向包括作者提出的和基于成果可延伸的几个方向。第一，扩展到连续动作空间。当前的动作空间是离散的（9个离散动作），而现实世界中的机器人通常需要连续、精细的运动控制。未来工作可以探索连续动作空间下的TVR任务，以及相应的训练方法，如连续RL算法或动作平滑技术。第二，应用到真实世界。TVRBench完全建立在模拟中，未来工作可以探索将训练好的模型转移到真实世界机器人平台，研究模拟到真实的迁移问题，包括视觉领域差异、物理不确定性等因素。第三，扩展到更多场景类型。当前TVRBench专注于室内场景，未来工作可以扩展到室外场景、动态环境或交互式场景，研究模型在更广泛环境中的泛化能力。第四，与其他主动感知任务结合。TVR专注于视角重现，未来工作可以将其与其他主动感知任务结合，如对象搜索、场景理解或交互式问答，构建更全面的主动空间智能系统。第五，探索更有效的记忆机制。当前研究使用视觉-动作记忆或动作仅记忆，未来工作可以探索更复杂的记忆机制，如基于注意力的记忆模块、分层记忆或永久记忆，帮助模型更好地跟踪历史和进行长期规划。第六，研究更好的CoT监督。当前CoT监督降低性能，未来工作可以探索为主动视角控制专门定制的CoT监督设计，专注于空间推理和决策的关键方面，或探索其他形式的结构化推理监督。第七，扩展到多智能体设置。当前研究关注单个智能体，未来工作可以探索多智能体协同视角重现，研究智能体之间的通信和协调机制。第八，研究更强大的空间推理能力。当前模型在跨房间导航和长期规划方面仍有困难，未来工作可以探索更强大的空间推理方法，如场景图构建、3D重建或认知地图。

复现评估如下。开源情况：作者承诺将TVRBench、轨迹管道、后训练检查点和支持代码在宽松的开源许可证下发布。论文提供了基准构建和训练配置的详细描述（附录B-D），包括场景分割、任务生成、动作空间、评估指标、专家轨迹生成、CoT注释、SFT和GRPO训练的超参数等。数据：TVRBench使用两个公开的模拟器（AI2-THOR和ProcTHOR-10k），这两个都是广泛使用的室内环境模拟器，可以公开获取。评估集包含500个任务（每类别125个），这是相对适中的规模，便于复现。算力：训练成本相对可控。单个SFT运行使用4个NVIDIA H100 GPU约6小时；多轮（在线）GRPO使用8个NVIDIA H200 GPU约10小时；单轮（离线）GRPO使用8个H200 GPU约4小时。对于研究机构来说，这是可接受的计算资源。难度：复现难度中等。作者提供了详细的技术描述和实现细节，包括训练配置、超参数和数据生成流程。然而，复现可能需要一定的经验，特别是在强化学习部分，涉及环境交互、轨迹滚动和奖励设计。总体而言，论文在复现性方面做得较好，提供了足够的技术细节和承诺开源，其他研究者应该能够复现主要结果。一个潜在的挑战是闭源模型（GPT-4o、GPT-5、Gemini-3.1-Pro）的评估，这些需要API访问，可能涉及成本和限制。然而，这些仅用于基准评估，不是方法的核心部分。