TVRBench Qwen3.5-9B VA-SFT — промежуточный чекпойнт Visual-Action SFT на базе мультимодальной Qwen3.5-9B, подготовленный командой TVRBench для эксперимента в работе «Where to Look: Can Foundation Models Reach a Target Viewpoint Through Active Exploration?». Модель обучена полным дообучением параметров; указаны эпоха 5 и шаг 250. Она принимает изображения и текстовые инструкции, а в ответ выдаёт текстовое действие в формате «Action: …». Для визуальной памяти используются пары текущего и целевого изображений из нескольких ходов вместе с ответами-действиями; режим рассуждений отключён.

Чекпойнт предназначен для воспроизведения абляционного эксперимента, в котором офлайн Single-turn GRPO инициализируется той же SFT-политикой, что и Multi-turn GRPO. На канонической оценке TVRBench он успешно завершил 254 из 500 эпизодов (50,8%). Это промежуточная исследовательская модель для навигации и достижения заданной точки обзора через активное исследование. Лицензия в предоставленных данных не описана.