EviRover 论文提出通过交互强化智能体视觉感知

论文提出 EviRover，据作者所知是首个显式训练通过交互解决感知查询的感知智能体，采用 SFT 加智能体强化学习训练。团队构建两条数据管线生成 EviRover-SFT-5K 和 EviRover-RL-12K，并发布含 688 个实例、覆盖五类感知任务的人工校验基准 EviLens。