作者介绍了 EviRover，这是第一个明确通过交互来解决感知查询的感知代理，而不是依赖单张图像的即时预测。为了解决该设置下数据缺乏的问题，他们设计了两个专用的数据生成管道，生成了 EviRover-SFT-5K 和 EviRover-RL-12K，以及一个包含 688 个实例的人工验证基准 EviLens。

  • 4B 参数的 EviRover 模型在 EviLens 基准测试上平均比其骨干模型高出 30 分。
  • 性能达到了与先进专有模型相当的水平。
  • 收益可迁移到 WebEyes、传统感知基准以及通用多模态基准，包括在 BrowseComp-VL 上提升了 15 分。

作者认为这很重要，因为它证明了代理式强化学习可以在标准假设失效的证据不足情况下有效处理感知问题。所有代码、模型和数据均已发布。