Marvo：用 margin reward 实现自进化视觉智能体

研究提出 Marvo，一种从无标注图像中学习工具调用的自进化方法，由生成问答对的 challenger 和通过强化学习解题的 solver 两个智能体组成。其引入 margin reward，即 solver 在有工具与无工具时的表现差，据此构建自适应课程以控制问题难度。在智能体推理、视觉搜索、数学与通用真实世界推理等基准上，Marvo 平均准确率最高提升 7.1%。