Pixelis：像素空间的推理，从感知到行动

大多数视觉语言系统是被动的观察者：它们描述像素，不执行行动，也无法在分布迁移时安全地改进。这种被动性限制了可泛化、以物理为基础的视觉智能。通过行动学习，而非静态描述，是超越精选数据集的关键。我们提出 Pixelis，一个直接在图像和视频上运行的像素空间智能体，通过一套紧凑的可执行操作（缩放/裁剪、分割、跟踪、OCR、时间局部化）并从其结果中学习。Pixelis 在三个阶段进行训练：（1）监督微调通过链式思考-动作轨迹学习像素工具语法，采用掩码模仿损失对操作/参数标记加权，并辅助头部以稳定像素 grounding 参数；（2）好奇心-连贯奖励微调优化双驱动目标，将预测误差好奇心与相邻步骤连贯性结合，并在 KL 锚点下施加轻度效率先验，生成短而有效、结构化的工具链；（3）像素测试时 RL 执行无标签适应，通过检索邻居、对完整轨迹而非答案进行投票，并更新以短小、高保真示例为目标，同时通过 KL-to-EMA 安全控制约束漂移。在六个公开图像和视频基准测试中，Pixelis 均实现一致的提升：平均相对提升为 +4.08%（在 VSI-Bench 上峰值达 +6.03%），计算公式为 (ours-baseline)/baseline，同时生成更短、可审计的工具链，并在测试时保持 in-corridor KL。以像素而非抽象标记行动，将多模态感知锚定在物理世界，链接视觉推理与可执行结果，实现无外部反馈的具身适应。