Les auteurs présentent EviRover, le premier agent de perception explicitement entraîné pour résoudre des requêtes perceptives par interaction plutôt que de s'appuyer sur une prédiction unique à partir d'une seule image. Pour pallier le manque de données dans ce contexte, ils ont conçu deux pipelines de génération de données dédiés produisant EviRover-SFT-5K et EviRover-RL-12K, ainsi qu'EviLens, un benchmark vérifié par l'humain avec 688 instances.

  • Le modèle EviRover de 4B surpasse son backbone en moyenne de 30 points sur le benchmark EviLens.
  • Les performances atteignent des niveaux comparables aux modèles propriétaires avancés.
  • Les gains se transfèrent à WebEyes, aux benchmarks de perception conventionnels et aux benchmarks multimodaux généraux, incluant une amélioration de 15 points sur BrowseComp-VL.

Les auteurs considèrent cela significatif car cela démontre que l'apprentissage par renforcement agentique peut gérer efficacement la perception sous une preuve insuffisante où les hypothèses standard échouent. Tout le code, les modèles et les données sont publiés.