皮斯蒂斯技术报告

arXiv:2609.28554v1 公告类型：新 摘要：我们介绍了 Pistis 模型系列，包括分别基于 Qwen3.6 和 Qwen3.5 构建的 27B 和 9B 参数多模态大语言模型，并通过通用且可扩展的后训练框架开发。该框架首先通过大规模多模态监督微调（SFT）奠定了坚实的基础。在此 SFT 基础上，我们提出了交错蒸馏和强化学习 (IDRL)，这是一种新颖的训练后范式，它将策略蒸馏和强化学习紧密集成在单个训练循环中。通过在两个目标之间交替进行优化，而不是单独优化或将它们组合成静态联合损失，IDRL 可以实现更有效的知识转移、更大的优化稳定性以及更精确的长期代理轨迹信用分配，从而在减轻共同能力权衡的同时带来更强的性能。在这两个模型尺度上，该框架产生了两个专门的变体：Pistis-Thinking，旨在加强深度多模态推理，以及 Pistis-Agentic，它另外结合了代理轨迹数据以支持长期规划、迭代推理和工具使用。 Pistis-Agentic 在多模态搜索方面尤其强大。两种秤的性能均优于其相应的基础模型。除了模型参数优化之外，我们还进一步引入了 Pistis-Auto-Harnessing (PAH)，这是一种系统级方法，可通过迭代优化自动改进代理的推理工具。实验表明，PAH 可以在不更新模型参数或增加交互预算的情况下增强模型性能。