EviRover reforça a percepção visual agêntica além de um único olhar

Os autores apresentam o EviRover, o primeiro agente de percepção treinado explicitamente para resolver consultas perceptivas por meio de interação, em vez de depender de uma previsão única a partir de uma única imagem. Para abordar a falta de dados para esse cenário, eles projetaram dois pipelines dedicados de geração de dados que resultam no EviRover-SFT-5K e EviRover-RL-12K, além do EviLens, um benchmark verificado por humanos com 688 instâncias.

• O modelo EviRover de 4B supera sua backbone em 30 pontos em média no benchmark EviLens.
• O desempenho atinge níveis comparáveis aos de modelos proprietários avançados.
• Os ganhos se transferem para o WebEyes, benchmarks de percepção convencionais e benchmarks multimodais gerais, incluindo uma melhoria de 15 pontos no BrowseComp-VL.

Os autores consideram isso significativo porque demonstra que o aprendizado por reforço agêntico pode lidar efetivamente com a percepção sob evidência insuficiente, onde as suposições padrão falham. Todo o código, modelos e dados foram liberados.