Μια νέα οικογένεια πολυτροπικών μεγάλων γλωσσικών μοντέλων, με την ονομασία Pistis, παρουσιάστηκε μέσω τεχνικής έκθεσης. Τα μοντέλα, που διατίθενται σε μεγέθη 27 δισεκατομμυρίων και 9 δισεκατομμυρίων παραμέτρων, βασίζονται στις αρχιτεκτονικές Qwen3.6 και Qwen3.5 αντίστοιχα, αναδεικνύοντας μια κλιμακούμενη προσέγγιση στη μετα-εκπαίδευση (post-training).
Το Πλαίσιο IDRL
Στην καρδιά της ανάπτυξης του Pistis βρίσκεται το Interleaved Distillation and Reinforcement Learning (IDRL). Πρόκειται για ένα νέο παράδειγμα εκπαίδευσης που ενσωματώνει την απόσταξη γνώσης (distillation) και την ενισχυτική μάθηση (reinforcement learning) σε έναν ενιαίο βρόχο εκπαίδευσης. Αντί για την απομονωμένη βελτιστοποίηση κάθε στόχου, το IDRL εναλλάσσεται μεταξύ τους, επιτυγχάνοντας αποτελεσματικότερη μεταφορά γνώσης, σταθερότητα και ακριβέστερη απόδοση ευθυνών σε σύνθετες εργασίες πρακτόρων.
Εξειδικευμένες Εκδόσεις και PAH
Η οικογένεια περιλαμβάνει δύο βασικές παραλλαγές για κάθε κλίμακα:
- Pistis-Thinking: Σχεδιασμένη για την ενίσχυση της βαθιάς πολυτροπικής συλλογιστικής.
- Pistis-Agentic: Ενσωματώνει δεδομένα τροχιών πρακτόρων για την υποστήριξη μακροπρόθεσμου σχεδιασμού, επαναληπτικής συλλογιστικής και χρήσης εργαλείων.
Επιπλέον, η έκθεση εισάγει το Pistis-Auto-Harnessing (PAH), μια μέθοδο σε επίπεδο συστήματος που βελτιώνει αυτόματα το πλαίσιο συμπερασμού του πράκτορα μέσω επαναληπτικής βελτιστοποίησης. Το PAH επιτρέπει τη βελτίωση της απόδοσης χωρίς την ανάγκη ενημέρωσης των παραμέτρων του μοντέλου ή την αύξηση των υπολογιστικών πόρων αλληλεπίδρασης.
