EviRover：超越一眼的智能体感知强化

该论文提出 EviRover，将视觉感知从单次预测改为可交互的智能体过程，用于图像细节不足或需外部最新知识的场景。作者构建两条数据生成流程，得到 EviRover-SFT-5K 与 EviRover-RL-12K，并发布含 688 个实例、五个类别的人工核验基准 EviLens。4B 模型在 EviLens 上平均比基座高 30 分，接近先进闭源模型，且在 BrowseComp-VL 上提升 15 分。

此前视觉感知多被当作对单张图像的一次性预测，假设图像内容加模型参数知识足以回答。该工作把感知明确为证据不足时可主动获取信息的交互过程，并给出配套数据与基准，使感知能力可被训练与测量，而非只靠更大模型或更强编码器。

机制上以监督微调起步，再用智能体强化学习优化交互式感知；两条数据生成流程分别服务 SFT 与 RL，构造需要外部或细粒度证据的查询；EviLens 提供人工核验评测，用于验证交互是否真正带来增益。

说明多模态产品可在不确定时触发检索或追问，而不是强行一次作答。研发上需把感知模块从单次推理扩展为带工具调用与停止条件的智能体回路，并准备交互式训练数据和评测集；小模型也可能借此在细节与时效性任务上接近大模型。

• 在多模态问答流程中加入“证据不足即触发检索或追问”的判断节点，并用 EviLens 类基准做回归测试。
• 基于论文已发布的代码、模型与数据，复现 4B 级交互式感知方案，评估替代大模型单次推理的成本空间。
• 在需要最新信息的商品、文档或图表问答场景中，先落地细粒度细节类查询，验证 BrowseComp-VL 上的增益是否可迁移。
• 把智能体强化学习用于内部感知流程，针对追问与检索的调用次数、时延设置可量化约束。

• EviLens 与两条数据管线的具体构建方法、筛选标准及可复现性尚未在证据中说明。
• 4B 模型与哪些具体闭源模型对比、差距如何，证据只给出“可比”的表述。
• 30 分与 15 分提升的具体评测口径、基座模型和训练成本未给出。
• 交互式感知在真实产品中的时延、调用成本和失败模式尚无证据支持。