現有視覺語言大模型（VLMs）在多模態感知和推理任務上仍存在明顯短板：1. 對圖像中的細粒度視覺信息理解有限，視覺感知和推理能力未被充分激發；2. 強化學習雖能帶來改進，但缺乏高質量、易擴展的 RL 數據。
AGILE 提出一種全新的自監督學習范式，將「智能體交互」遷移至多模態大模型的強化學習訓練中，通過「模型生成動作代碼 + 視覺環境反饋」的循環式交互過程，讓模型像人一樣邊觀察、邊推理、邊學習，從而顯著提升模型視覺感知與邏輯推理能力。
現有視覺語言大模型（VLMs）在多模態感知和推理任務上仍存在明顯短板：1. 對圖像中的細粒度視覺信息理解有限，視覺感知和推理能力未被充分激發；2. 強化學習雖能帶來改進，但缺乏高質量、易擴展的 RL 數據。
AGILE 提出一種全新的自監督學習范式，將「智能體交互」遷移至多模態大模型的強化學習訓練中，通過「模型生成動作代碼 + 視覺環境反饋」的循環式交互過程，讓模型像人一樣邊觀察、邊推理、邊學習，從而顯著提升模型視覺感知與邏輯推理能力。