Los autores presentan EviRover, el primer agente de percepción entrenado explícitamente para resolver consultas perceptivas mediante interacción en lugar de depender de una predicción única a partir de una sola imagen. Para abordar la falta de datos para este entorno, diseñaron dos pipelines dedicados de generación de datos que producen EviRover-SFT-5K y EviRover-RL-12K, junto con EviLens, un benchmark verificado por humanos con 688 instancias.

  • El modelo EviRover de 4B supera a su backbone en 30 puntos de promedio en el benchmark EviLens.
  • El rendimiento alcanza niveles comparables a los modelos propietarios avanzados.
  • Las mejoras se transfieren a WebEyes, benchmarks de percepción convencionales y benchmarks multimodales generales, incluyendo una mejora de 15 puntos en BrowseComp-VL.

Los autores consideran esto significativo porque demuestra que el aprendizaje por refuerzo agéntico puede manejar eficazmente la percepción bajo evidencia insuficiente donde fallan las suposiciones estándar. Todo el código, modelos y datos se han liberado.