Pixelis：像素中的推理，从看到做

大多数视觉语言系统是被动的观察者，缺乏行动与适应能力。本文提出 Pixelis，一种直接在图像和视频上操作的像素空间智能体，通过一组可执行操作（如缩放、分割、跟踪、OCR）进行学习。该方法包含三个阶段：监督微调学习像素工具语法；好奇心 - 连贯性奖励微调优化双重目标以生成结构化工具链；测试时强化学习实现无标签自适应。实验表明，Pixelis 在多个基准上显著优于基线，生成了更短且可审计的工具链，将多模态感知扎根于物理世界，实现了无需外部反馈的具身适应。