EviSeek：以证据为中心的具身主动信息寻求框架

具身智能体在回答问题时，往往需要通过移动视角或与环境交互来获取信息。然而，如何避免“无的放矢”的交互——即采取看似合理却未明确指向所需证据的行动——一直是该领域的核心挑战。近期提出的 EviSeek 框架，通过让智能体显式地明确问题所需的证据，为这一难题提供了新的思路。

主动信息寻求的核心痛点：交互目的隐式化

在主动具身问答（Active Embodied Question Answering）任务中，智能体需要在三维环境中主动探索，通过改变视角或物理交互来收集信息，最终回答问题。传统方法通常依赖动作计划或累积的历史观察来指导行为，但论文指出，仅靠这些信息，交互的“信息目的”往往仍是隐式的。智能体可能执行一系列看似合理的动作，却没有明确这些动作应该揭示什么证据来支撑答案。这种无导向的交互不仅效率低下，还可能引入无关信息，干扰推理。

EviSeek 的出发点正是将“问题衍生的证据需求”转化为显式的获取目标。换句话说，智能体在行动前会先明确：为了回答这个问题，我需要看到什么？这一目标随后被用于链接观察条件下的动作选择与选择性保留的证据，形成一个以证据为中心的闭环。

主动具身问答（Active Embodied Question Answering, AEQA） 是具身智能与视觉问答交叉的一个任务设定。与静态图像问答不同，AEQA 中的智能体被置于三维环境（如模拟房间或真实场景）中，初始视角通常无法覆盖回答问题所需的全部信息，因此必须通过移动、转向、靠近或操作物体等动作主动采集证据。该任务的难点在于"探索—推理—回答"三者耦合：智能体既要决定去哪里看，又要判断看到的信息是否足以支撑答案，还要在有限步数内完成。常用评测基准如 ESI-Bench 即围绕此类场景构建，通过大量问题考察智能体的空间探索与证据整合能力。

EviSeek 框架：训练免费，证据驱动

EviSeek 是一个无需额外训练的框架，其核心设计围绕三个关键环节展开：

1. 证据需求显式化：从问题中解析出回答所需的信息类型，将其作为显式的获取目标。例如，若问题涉及物体的颜色，则证据需求可能是“获取该物体表面的视觉信息”。
2. 观察条件下的动作选择：智能体根据当前观察和证据目标，选择能够揭示所需证据的动作（如调整视角、移动靠近等），而非盲目探索。
3. 选择性证据保留：智能体仅保留与证据目标相关的观察信息，过滤无关内容，从而减少信息冗余和计算负担。

这一框架不依赖于额外的模型训练，而是通过提示工程和结构化推理流程实现，因此可以灵活适配不同的视觉语言模型（VLM）。

视觉语言模型（Vision-Language Model, VLM） 是同时接受图像与文本输入、并输出文本的大规模多模态模型，如 Qwen-VL 系列、Gemini 系列等。在具身问答中，VLM 通常承担"看当前画面 + 读问题 + 决定下一步动作或给出答案"的角色。EviSeek 之所以强调"训练免费"，是因为它不更新 VLM 的权重，而是通过提示词与结构化流程，在推理阶段引导模型先明确证据需求、再选择动作、最后筛选观察。这种方式的优势在于可直接套用到不同厂商、不同规模的 VLM 上，无需为每个模型重新收集数据做微调；代价则是效果在一定程度上受限于底层模型自身的指令遵循与推理能力。

实验效果：准确率提升与令牌消耗降低

论文在 ESI-Bench 基准的 3,436 个问题上评估了 EviSeek 的效果。结果显示，与单模型智能体相比，EviSeek 在 Qwen3-VL-32B 上实现了 7.1 个百分点的准确率提升，在 Gemini 3.1 Pro 上提升了 3.7 个百分点。同时，视觉支持加权准确率（visual-support-weighted accuracy）也有所改善，且平均令牌使用量减少。

这些数据表明，让交互的信息目的显式化，不仅能提升回答的准确性，还能提高效率——智能体不再需要处理大量无关的观察历史，从而降低了令牌消耗。这对于实际部署中的成本控制和响应速度都有积极意义。

视觉支持加权准确率（visual-support-weighted accuracy） 是一类关注"答案是否有视觉证据支撑"的评测指标。普通准确率只判断最终答案对错，而加权版本会对那些答案正确、但推理过程中并未真正依据所采集视觉证据的情况进行折减，从而区分"蒙对"与"有据可依"。这一指标对具身问答尤为重要：智能体可能凭借语言先验猜出答案，却并未完成有效探索。EviSeek 在该指标上的改善，说明其显式证据目标不仅提升了答对率，也提升了答案与所获观察之间的对应关系。

启示与展望：从“做什么”到“为什么做”

EviSeek 的提出反映了具身智能领域的一个趋势：从单纯优化动作策略，转向对交互目的的显式建模。传统强化学习或模仿学习往往关注“在某个状态下应该执行什么动作”，而 EviSeek 强调“执行这个动作是为了获取什么证据”。这种视角的转变，使得智能体的行为更具解释性和目的性。

当然，该框架目前仅在特定基准上验证，其在更开放环境中的泛化能力、对复杂多跳问题的支持，以及证据需求解析的鲁棒性，仍有待进一步研究。但无论如何，EviSeek 为具身主动信息寻求提供了一个简洁而有效的思路：让智能体清楚地知道自己在寻找什么，才能更聪明地行动。

随着视觉语言模型能力的持续增强，如何让智能体在物理世界中高效、精准地获取信息，将是迈向通用具身智能的关键一步。EviSeek 的工作无疑为这一方向增添了新的注脚。

强化学习与模仿学习 是具身智能中两类主流的动作策略学习方法。强化学习通过奖励信号让智能体试错，学得"在状态 s 下采取动作 a"的策略；模仿学习则从专家演示中拟合动作分布。二者通常把"目的"隐式地编码在奖励函数或演示轨迹里，智能体本身并不显式表达"这一步是为了看到什么"。EviSeek 所代表的思路，是在策略之上增加一层可读的意图表示（证据目标），使动作选择有明确的中间变量可依据，也便于人类理解与调试智能体的行为逻辑。