# 证据不足下的感知

该工作提出“证据不足下的感知”设定，把定位、分割、计数等感知任务重构为主动搜寻证据的智能体过程，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、覆盖五类感知任务的人工核验基准 EviLens；经监督微调加智能体强化学习训练的 4B 模型 EviRover 在 EviLens 上比其 Qwen3-VL-4B-Instruct 基座平均提升 30 分，接近先进闭源模型水平，并在 WebEyes、ReasonSeg、RefCOCOg、MMMU、MMMU-Pro、MathVerse 以及 BrowseComp-VL（提升 15 分）上取得迁移收益。

该工作提出“证据不足下的感知”设定，把定位、分割、计数等感知任务重构为主动搜寻证据的智能体过程，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、覆盖五类感知任务的人工核验基准 EviLens；经监督微调加智能体强化学习训练的 4B 模型 EviRover 在 EviLens 上比其 Qwen3-VL-4B-Instruct 基座平均提升 30 分，接近先进闭源模型水平，并在 WebEyes、ReasonSeg、RefCOCOg、MMMU、MMMU-Pro、MathVerse 以及 BrowseComp-VL（提升 15 分）上取得迁移收益。