EAGLE-360突破全景视觉搜索瓶颈：全局先验与RoPE Rolling重构360度空间推理

多模态大语言模型虽然在标准视觉理解任务中表现出色，但在360度全景环境下的主动视觉搜索任务中却暴露出根本性的局限性。全景图像固有的极区畸变和连续的圆柱拓扑结构使得标准模型难以有效建模，导致目标检测精度大幅下降。现有的全景搜索方法往往依赖于碎片化的局部视角进行补偿，但由于缺乏全局先验且初始化僵化，这些方法通常表现为目光短浅、探索效率低下，且在目标超出视野范围时难以进行稳健的错误恢复。针对这一核心痛点，EAGLE-360提出了一种全新的具身主动全局到局部探索框架。该框架的核心贡献在于不再执行穷举式的局部搜索，而是利用全局先验建立初始的整体视角，通过迭代推理机制逐步缩小搜索空间。这种从全局到局部的范式转变，不仅解决了全景拓扑建模难题，还显著提升了在复杂动态环境中的搜索鲁棒性，为具身智能体在沉浸式全景场景中的自主导航与目标发现奠定了坚实基础。

在技术实现层面，EAGLE-360对现有的位置编码机制进行了关键性适配。为了无缝建模全景图的连续拓扑结构，研究团队引入了RoPE Rolling（旋转位置编码滚动）技术。这一机制通过坐标偏移处理，使得模型能够理解全景图中首尾相连的圆柱形空间关系，从而有效克服极区畸变带来的表征偏差。在训练策略上，EAGLE-360采用了一套组合式流水线，将监督微调（SFT）与组相对策略优化（GRPO）相结合。SFT阶段用于奠定基本的视觉问答与空间理解能力，而GRPO则进一步激发模型复杂的空间推理能力和工具调用能力，使其能够像人类一样规划搜索路径。此外，为了支持这一新范式，研究团队构建了大规模EAGLE-360数据集，包含超过14,000张4K分辨率的全景图像和70,000多轮高质量的多轮对话数据。

这一数据集不仅规模庞大，而且标注精细，为模型学习全景下的时空关联提供了充足的数据养分。实验设置方面，EAGLE-360在构建的大规模数据集及多个主流360度视觉搜索基准上进行了广泛评估。关键结果表明，该方法在360度视觉搜索任务上建立了新的最先进水平（SOTA）。具体而言，与基线模型相比，EAGLE-360的目标检测准确率提升了近8倍，这一显著增长验证了全局先验引导搜索策略的有效性。消融实验进一步揭示，RoPE Rolling机制对于处理全景拓扑至关重要，移除该机制会导致性能大幅回落；同时，GRPO策略的引入显著增强了模型在长程依赖和复杂推理任务中的表现。在探索效率方面，EAGLE-360通过全局视角的快速定位，大幅减少了无效探索步骤，使得搜索过程更加高效。

此外，在目标暂时不可见的情况下，模型展现出更强的错误恢复能力，能够通过上下文信息推断目标可能的位置，从而在动态变化的环境中保持稳定的搜索性能。EAGLE-360的提出对开源社区和工业落地具有深远的行业意义。在开源社区方面，发布的EAGLE-360数据集填补了高质量全景VQA数据的空白，为后续研究提供了宝贵的基准资源，有望推动全景视觉理解领域的快速发展。在工业落地方面，该框架为自动驾驶、虚拟现实（VR）/增强现实（AR）导航以及机器人全景感知提供了可行的技术路径。特别是在自动驾驶中，车辆需要实时理解360度环境以做出决策，EAGLE-360的高效搜索机制能够降低计算负载并提高响应速度。对于后续研究而言，EAGLE-360展示了如何将全局先验与局部精细搜索相结合，这一思路可推广至其他具有复杂拓扑结构的视觉任务中。通过解决全景建模的根本难题，该工作不仅提升了模型的性能上限，也为具身智能在更广阔、更复杂的三维空间中进行自主探索提供了新的理论依据和技术参考。