Pistis 技术报告：27B/9B 多模态大模型登场，IDRL 后训练范式与自动 Harness 优化
一句话概括
一篇来自 arXiv 的技术报告（arXiv:2609.28554）公开了 Pistis 模型家族：基于 Qwen3.6 和 Qwen3.5 构建的 27B 与 9B 两档多模态大语言模型，核心创新是一套把「蒸馏」和「强化学习」交织进同一训练循环的后训练框架 IDRL，以及一个不更新模型参数就能提升 Agent 表现的系统级方法 PAH。
后训练的新思路：IDRL
Pistis 的训练路径分两步。第一步是常规但关键的大规模多模态监督微调（SFT），用来打底。第二步则是论文的主角——Interleaved Distillation and Reinforcement Learning（IDRL）。
IDRL 的做法值得注意：它没有把 on-policy 蒸馏和强化学习拆成两个独立阶段，也没有把它们塞进一个静态的联合损失里，而是让两个目标在同一个训练循环中交替进行。作者称这种设计带来三个好处：
- 更有效的知识迁移：蒸馏负责把外部能力「灌」进来；
- 更高的优化稳定性：交替而非同时优化，减少了目标之间的相互干扰；
- 更精确的信用分配（credit assignment）：这一点对长程（long-horizon）智能体轨迹尤其重要。
换句话说，IDRL 试图缓解后训练中常见的能力此消彼长问题——推理能力上去了，工具调用或指令跟随却掉下来。
两个变体：Thinking 与 Agentic
在两个参数规模上，Pistis 都产出两个专用变体：
- Pistis-Thinking：面向深度多模态推理；
- Pistis-Agentic：额外引入智能体轨迹数据，支持长程规划、迭代推理和工具调用。
报告特别指出，Pistis-Agentic 在多模态搜索场景中表现尤为突出。两个规模都优于各自的基座模型。
PAH：不动参数也能变强
除了模型层面的优化，团队还提出 Pistis-Auto-Harnessing（PAH），一种系统级方法：通过迭代优化自动改进 Agent 的推理 harness（即模型外部的调用编排与提示框架）。实验显示，PAH 能在不更新模型参数、也不增加交互预算的前提下提升模型表现。
值得关注的信号
这篇报告折射出当前大模型后训练的两个趋势：一是蒸馏与 RL 的边界正在模糊，混合范式成为主流探索方向；二是「模型之外」的优化空间——harness、上下文编排、工具调用流程——正被当作独立且高性价比的增益来源。
需要说明的是，本文基于 arXiv 摘要信息整理，论文的完整实验数据、基准对比与消融结果尚未在摘要中展开，具体性能提升幅度仍有待正文验证。