저자들은 단일 이미지에서의 일회성 예측에 의존하는 대신 상호 작용을 통해 지각 쿼리를 해결하도록 명시적으로 훈련된 첫 번째 지각 에이전트인 EviRover를 소개합니다. 이 설정에 대한 데이터 부족 문제를 해결하기 위해 그들은 EviRover-SFT-5K와 EviRover-RL-12K를 생성하는 두 개의 전용 데이터 생성 파이프라인과 688개의 인스턴스를 가진 인간 검증 벤치마크인 EviLens를 설계했습니다.

  • 4B EviRover 모델은 EviLens 벤치마크에서 평균적으로 백본보다 30포인트 더 우수합니다.
  • 성능은 고급 독점 모델과 비교 가능한 수준에 도달합니다.
  • 이 향상된 성능은 WebEyes, 기존 지각 벤치마크 및 BrowseComp-VL에서 15포인트 개선된 일반적인 멀티모달 벤치마크로 이전됩니다.

저자들은 이것이 표준 가정이 실패하는 불충분한 증거 하에서 지각을 효과적으로 처리할 수 있음을 보여주므로 중요하다고 생각합니다. 모든 코드, 모델 및 데이터가 공개되었습니다.