Para penulis memperkenalkan EviRover, agen persepsi pertama yang secara eksplisit dilatih untuk menyelesaikan kueri perseptual melalui interaksi daripada mengandalkan prediksi satu kali dari satu gambar. Untuk mengatasi kurangnya data untuk pengaturan ini, mereka merancang dua pipa generasi data khusus yang menghasilkan EviRover-SFT-5K dan EviRover-RL-12K, bersama dengan EviLens, benchmark yang diverifikasi manusia dengan 688 instance.

  • Model EviRover 4B mengungguli backbone-nya sebesar 30 poin rata-rata pada benchmark EviLens.
  • Kinerja mencapai tingkat yang sebanding dengan model proprietari canggih.
  • Peningkatan berpindah ke WebEyes, benchmark persepsi konvensional, dan benchmark multimodal umum, termasuk peningkatan 15 poin pada BrowseComp-VL.

Para penulis menganggap ini signifikan karena menunjukkan bahwa pembelajaran penguatan agentic dapat menangani persepsi secara efektif di bawah bukti yang tidak memadai di mana asumsi standar gagal. Semua kode, model, dan data dirilis.