Active embodied question answering（具身主动问答）要求智能体通过改变视角和物理交互来获取证据，以回答开放式问题。核心难点在于避免无目标交互：智能体会执行看似合理的动作，却没有明确这些动作应揭示何种证据来支撑答案。仅凭动作计划和累计的交互历史，往往难以体现交互的信息目的。\n\nEviSeek 提出了一种 training‑free 框架，直接把问题派生的证据需求转化为显式的获取目标。框架的关键机制包括：\n- 将问题解析为若干 evidence demands（证据需求），每个需求对应特定的视觉或交互线索；\n- 基于当前观测的 observation‑conditioned action selection（观测条件动作选择），只执行能够满足未完成证据需求的动作；\n- 对交互产生的感知信息进行 selective evidence retention（选择性证据保留），仅保存对回答有贡献的片段，避免无关信息的累积。\n\n在 ESI‑Bench（3,436 条问题）上进行评估，EviSeek 在两种大模型上均取得显著提升：使用 Qwen3‑VL‑32B 时准确率提升 7.1%，使用 Gemini 3.1 Pro 时提升 3.7%。此外，视觉支持加权准确率（VSWA）也同步提升，平均 token 使用量下降，表明框架在 信息获取效率 上同样有优势。\n\n这些实验结果验证了：将交互的信息目的显式化，并围绕“需要学习的证据”组织动作选择和证据保留，能够显著提升具身问答系统的性能和资源利用率。\n\n点评：EviSeek 通过把证据需求形式化为可操作目标，提供了一条清晰的路径来解决具身问答中的信息散逸问题，为后续的多模态交互学习提供了有价值的设计范式。