详细的语言描述，并不等于准确的视觉定位。 让模型框出“餐盘右上角的西兰花”，它可能完整描述了食物类别和相对位置，却仍把相邻的一簇圈进目标框。视觉指代定位要求将语言理解落实到具体区域与精确边界；流畅的解释本身，并不能保证中间空间判断可检查、最终坐标可纠正。

这一落差也要求重新审视后训练的终点。对于已经接受强化学习后训练的模型，继续围绕最终答案追加 RL，未必就是最优的优化路径。 当剩余误差涉及区域选择与边界偏差时，值得进一步研究的是：如何保留可操作的空间判断，并训练模型在已有判断上识别、取舍和修正错误。

CoEvolve 据此探索一种面向可修复性的构造—编辑后训练范式：先用强化学习将空间推理组织成显式区域轨迹，再训练双向编辑器，在保留语义上下文的同时修正坐标。RL 在这一流程中承担状态构造的职责，后续几何监督与编辑偏好分别学习“往哪改”和“值不值得改”，将后训练延伸到已有预测的可修复性。

餐盘案例中的初始定位与坐标精修

保留语义上下文，通过坐标编辑修正定位偏差。

先看效果：9B 主干的定位表现与单轮纠错能力

在论文汇总的 RefCOCO 系列对比中，采用 9B 主干的 CoEvolve，整体定位准确率与总参数量达 241B 的模型相当。

表 1｜标准视觉定位：八个划分的平均 Acc@0.5。

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。

修复能力则通过三万余个受控扰动框单独检验。面对位置、尺度和长宽比偏差，一轮编辑就将平均框重叠度提高约 27.4 个百分点，并修复近 88% 原本未达标的输入框。

表 2｜受控纠错：各方法接收相同扰动框，CoEvolve 编辑器仅运行一轮。

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。

空间状态显式化：让推理成为可度量的优化对象

上述构造—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（State–Editor Coupling）。

Region-Evolution Reinforcement（RER，区域演化强化）要求每个推理步骤给出候选框，将分析过程组织成“语义解释＋区域坐标”的轨迹。强化学习同时评价结构、空间进展和最终定位，使中间空间判断获得可计算的训练信号。这些监督来自目标框标注，无需人工编写推理链或额外标注中间区域。

后续编辑因此拥有明确的操作对象：候选区域、定位历史，以及可供比较的输入坐标。

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

BDR 区分目标几何与相对编辑效用：前者规定坐标应移向哪里，后者评价修改是否优于保留输入。训练中的质量门控选择保留、纠正或巩固的目标，逐坐标偏好则鼓励有益修改、抑制有害修改。

这一偏好目标具有明确的方向性质。对参与监督的坐标，记 (D) 为发生变化的数字位置上、输出相对输入的平均模型评分差，(y) 标记修改是否减小坐标误差。其偏好损失 (\ell) 满足：

\frac{\partial \ell}{\partial D}=\sigma(D)-y, \qquad \sigma(D)=\frac{1}{1+e^{-D}}.

有益编辑对应 (y=1)，梯度下降推动 (D) 增大；有害编辑对应 (y=0)，则推动 (D) 减小。这将编辑取舍落实为具有明确方向的优化信号。

CoEvolve 的显式状态构造与双向坐标编辑

RER 构造显式空间状态；BDR 结合目标几何与相对编辑效用，学习坐标修正。

论文分别为原生输出和 RER 状态训练匹配的编辑器。RER 路径的 mIoU 精修增益为 5.02 个百分点，原生输出路径为 2.41 个百分点；前者的最终 mIoU 也更高，达到 85.72%，对比 84.57%。

这一结果支持将可修复性理解为状态与编辑器的关系属性：评价中间状态时，还应考察匹配编辑器能从中获得多少改进，以及最终能达到怎样的质量。

CoEvolve 将输出准确率、空间状态构造和编辑效用纳入同一套后训练设计。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，这提供了一条值得验证的路线：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评价系统。