Ostrakon-VL：迈向面向餐饮与零售门店的领域专家MLLM

多模态大语言模型（MLLM）近来在通用感知和推理方面取得长足进展。然而，其在餐饮与零售门店（FSRS）场景中的部署遇到两大障碍：（i）从异构采集设备收集的真实FSRS数据噪声大，缺乏可审计的闭环数据治理，阻碍构建高质量、可控、可复现的训练语料；（ii）现有评估协议未提供覆盖单图、多图和视频输入的统一、细粒度、标准化基准，使客观衡量模型鲁棒性变得困难。为应对这些挑战，我们首先开发Ostrakon-VL，一个基于Qwen3-VL-8B的面向FSRS的MLLM。其次，我们推出ShopBench，首个公开的FSRS基准。第三，我们提出QUAD（Quality-aware Unbiased Automated Data-curation），一个多阶段多模态指令数据治理流水线。借助多阶段训练策略，Ostrakon-VL在ShopBench上取得60.1的平均分，在参数规模相当、架构多样的开源MLLM中确立新的最先进水平。值得注意的是，它以+0.7超越规模大得多的Qwen3-VL-235B-A22B（59.4），并以+4.8超过同规模的Qwen3-VL-8B（55.3），展现出显著提升的参数效率。这些结果表明，Ostrakon-VL提供更稳健、可靠的FSRS中心感知与决策能力。为促进可复现研究，我们将公开发布Ostrakon-VL和ShopBench基准。