Marvo：用 margin reward 实现自进化视觉智能体

研究提出 Marvo，一种无需标注数据的自进化方法，让视觉智能体从无标签图像中学习工具调用。Marvo 由生成问答对的 challenger 和通过强化学习解题的 solver 组成，并用 margin reward（有无工具时 solver 的表现差）构建自适应课程。在智能体推理、视觉搜索、数学和通用真实世界推理等基准上，平均准确率最高提升 7.1%。