DataEvolver：用目标驱动的循环智能体让数据自我构建与自我改进

构建可控的视觉数据是图像编辑与多模态理解的一大瓶颈。有用的监督很少由单次渲染产生，而是通过迭代的生成、检查、修正、过滤与导出逐步形成。我们提出DataEvolver，一个闭环视觉数据引擎，围绕显式目标、持久化产物、有界修正动作与验收决策来组织这一过程。DataEvolver支持多种产物类型，包括RGB图像、掩码、深度图、法线图、网格、姿态、轨迹与审查记录。在当前发布版本中，系统通过两个耦合回路运行：样本内的生成时自校正与跨数据集轮次的验证时自扩展。我们在图像级物体旋转设定上验证该框架。使用固定的Qwen-Edit LoRA探针，我们最终的Ours+DualGate模型在SpatialEdit和留出评估集上均优于未适配的基础模型和公开的多角度LoRA。消融实验显示了从场景感知生成到反馈驱动校正再到双门控验证的一致改进路径。除发布的旋转数据外，我们的主要贡献是一个可复用的框架，通过显式的目标跟踪、审查、校正与验收回路来构建视觉数据集。