视觉证据定位

Conan：在多尺度视觉证据上像侦探一样推理的渐进式学习

Conan: Progressive Learning to Reason Like a Detective over Multi-Scale Visual Evidence

把「帧级证据定位」显式建模为推理轨迹的一部分（识别-推理-动作），并用 RLVR 分阶段冷启动训练，可直接迁移到需要视觉 grounding 的多步 VQA、长视频问答与视频 agent 决策场景。