视觉定位新突破：CoEvolve让9B模型赶超241B参数量模型

当要求模型框出“餐盘右上角的西兰花”时，模型往往能准确描述食物类别和相对位置，却仍会把相邻的其他食材圈入目标框。这一现象暴露出视觉指代定位的核心矛盾：流畅的语言解释本身，无法保证中间空间判断可检查，也无法直接确保最终坐标的准确性。

这一差距也让我们重新审视现有模型的后训练流程：对于已经通过强化学习完成初步优化的模型，单纯围绕最终答案追加强化学习，未必是最优的优化路径。当剩余误差集中在区域选择和边界偏差时，我们需要思考如何保留可操作的空间判断能力，并训练模型在已有预测的基础上识别、取舍和修正错误。

针对这一问题，研究人员提出了面向可修复性的构造—编辑后训练范式，即CoEvolve方案。该方案首先通过强化学习将空间推理组织为显式的区域轨迹，再训练双向编辑器，在保留语义上下文的同时修正坐标偏差。在整个流程中，强化学习模块负责构建空间状态，后续的几何监督与编辑偏好则分别学习“修正方向”和“修正价值”，将后训练延伸到已有预测的可修复性层面。

通过显式的坐标编辑，模型可以在保留语义上下文的前提下，精准修正定位过程中出现的偏差。

核心性能表现

在RefCOCO系列对比测试中，采用9B主干网络的CoEvolve，整体定位准确率与总参数量达241B的模型相当。

数值摘自论文主表；公开方法沿用其报告协议，241B为总参数量。

针对模型的修复能力，研究人员通过三万余个受控扰动框进行了单独测试。结果显示，面对位置、尺度和长宽比的偏差，CoEvolve仅需一轮编辑，就能将平均框重叠度提升约27.4个百分点，并修复近88%原本未达标的输入框。

mIoU衡量平均框重叠度；修复率指初始IoU < 0.7的框被修复至IoU ≥ 0.7的比例。

显式化空间推理过程

构造—编辑分解通过显式状态连接两个分阶段训练的组件，形成状态—编辑器耦合框架。其中的Region-Evolution Reinforcement（RER，区域演化强化）模块要求每个推理步骤都输出候选框，将分析过程组织为“语义解释+区域坐标”的轨迹。

强化学习会同时评估推理结构、空间进展和最终定位结果，让中间的空间判断获得可计算的训练信号，这些监督信号直接来自目标框的标注，无需人工编写推理链或额外标注中间区域。这让后续的编辑操作拥有了明确的操作对象：候选区域、定位历史，以及可供对比的输入坐标。

编辑效用的量化优化

Bidirectional Denoising Refiner（BDR，双向去噪精修器）会读取完整的推理轨迹，将推理文字作为固定的语义上下文，利用双向信息在坐标原位置同步预测修改结果。

BDR区分了目标几何和相对编辑效用：前者规定了坐标应该调整的方向，后者则评估修改是否比保留原始输入更优。训练过程中的质量门控会选择保留、纠正或巩固的目标，逐坐标的偏好设置则会鼓励有益的修改，抑制有害的修改。

对于参与监督的坐标，记$D$为坐标变化后，模型输出相对输入的平均评分差，$y$标记修改是否减小了坐标误差。其偏好损失满足： $$\frac{\partial \ell}{\partial D}=\sigma(D)-y, \qquad \sigma(D)=\frac{1}{1+e^{-D}}.$$

当修改是有益的（$y=1$），梯度下降会推动$D$增大；当修改有害（$y=0$），则会推动$D$减小，这让编辑的取舍能够转化为具有明确方向的优化信号。

CoEvolve的整体流程包含显式空间状态构建和双向坐标编辑两个核心部分：RER模块构建显式的空间状态，BDR模块结合目标几何与相对编辑效用，学习坐标修正。

耦合框架的价值评估

研究人员分别为原生输出和RER状态训练了匹配的编辑器。实验结果显示，RER路径的mIoU精修增益为5.02个百分点，而原生输出路径的增益仅为2.41个百分点；前者的最终mIoU也达到了85.72%，显著高于后者的84.57%。

这一结果证明，可修复性可以理解为状态与编辑器的关系属性：在评估中间状态时，我们不仅需要考察其本身的质量，还需要考察匹配的编辑器能从中获得多少改进，以及最终能达到怎样的质量水平。

对后续研究的启示

CoEvolve将输出准确率、空间状态构造和编辑效用纳入了统一的后训练设计框架。由此，中间状态既是一次预测的结果，也是后续修正可利用的接口。

对于动作参数、代码补丁等可结构化编辑的输出，这一框架提供了一条值得验证的研究路线：训练可供编辑的状态，学习相对输入的修正效用，并以状态与编辑器的组合表现来评价整个系统。