LEAP 让小时级音视频问答不再整段塞进上下文：在 Qwen3-Omni-30B 上比官方配方高 4.5–16.8%，并迁移到 MiniCPM-o 4.5

LEAP 提出一种“模型自己检索证据”的两阶段框架：录音被切成不重叠的固定时长块，每块再切成短候选窗口，一次轻量的、以问题为条件的定位 pass 给窗口打分，最高分窗口被汇集并在一次有界作答 pass 中重新编码。 此前选择式方法从粗粒度视角挑区域、压缩式方法保留全片但稀释细节、智能体式方法把“看哪里”交给推理时提示的通用模型；LEAP 把证据定位与推理解耦，并让定位与作答两个阶段都经过训练（定位 LoRA 改善被选窗口，作答 LoRA 改善从同一批窗口读出的答案）。 论文给出两阶段的形式化定义、定位 pass 的选项字母 logit 打分公式与训练目标，以及部署配置（块长、候选窗口、保留块数与窗口数）；消融显示去掉检索、去掉定位 LoRA、去掉作答训练都会降低准确率。

由于每次 pass 只读一个块或一小组保留窗口，作答输入与峰值上下文、峰值显存都与录音时长无关；论文给出 token 记账，说明单次 pass 的上下文有界。 整段读取的基线每小时消耗大量 token，骨干的位置上限在约几十分钟处就被耗尽；LEAP 的每次 pass 读一个块或至多若干保留窗口，因此不随时长增长。 论文给出成本公式与部署数值（定位 pass 与作答 pass 的 token 上限、作答 pass 位置上限），并说明在部署运行中每次块 pass 与作答 pass 都未触及上限。

同一套块网格可以只靠预计算转写文本做定位，不必解码媒体帧，而最终作答仍回到原始音视频流，从而保留转写遗漏的视觉与非语音证据。 已有基于字幕或文档检索的流水线往往只把文本交给作答模型；LEAP 让文本通道与媒体通道共享块网格与作答 pass，只在“扫描什么”上不同。 论文报告转写通道在多个基准上与媒体通道准确率接近，定位 token 更少、每题查询时间更短；并报告证据被说出的比例越高，转写通道相对媒体通道保留的证据越多。

块网格天然支持因果查询，使 LEAP 无需流式专门训练即可用于流式推理；在 StreamArena 的历史回溯任务上，LEAP 显著优于同一骨干整段读取前缀与均匀窗口两种基线。 流式系统通常需要专门设计（KV 缓存、固定大小记忆或文本记忆）；LEAP 直接复用按时钟固定的块网格，定位 pass 只在查询时刻之前的块上选窗口，作答 pass 再从原始媒体重读这些窗口。 论文报告在 StreamArena 上 LEAP 的媒体通道与转写通道均显著领先整段前缀与均匀窗口基线，并在 9B 的 MiniCPM-o 4.5 上显著优于其原生流式模式。

这项工作面向小时级音视频问答，尤其是证据分散在少数短窗口、且需要同时利用语音与非语音/视觉线索的设定；它适用于骨干权重冻结、只训练两个 LoRA 适配器的部署方式，也适用于只能读取查询时刻之前内容的因果流式设定。对读者而言，它意味着长录音不必整段进入上下文：定位 pass 覆盖每个块，作答 pass 只把上下文花在少数保留窗口上，且每个窗口的读取密度不随时长变化；转写通道则在证据以语音为主时提供更便宜的替代。论文还指出可继续推进的方向，包括在有界成本结构内设计更强的检索分数，以及让作答 pass 能判断保留窗口是否漏掉证据并回到扫描阶段取更多窗口。

论文的定位适配器训练语料来自 LongVALE 派生问题，且训练片段都不超过一个块，因此块长由最长训练片段决定；这一设定在更长或证据跨块分布更复杂的录音上会如何表现，是读者可以继续观察的问题。转写通道在证据以视觉为主时保留的证据少于媒体通道，论文在 CG-Bench mini 上报告了这一方向；因此“用转写替代媒体扫描”的适用边界取决于录音中证据被说出的比例。流式结果来自 StreamArena 的历史回溯任务，且因果访问协议下作答使用基础权重、不挂适配器；更一般的流式交互场景仍有待观察。此外，论文提到代码将在接收后发布，因此当前可复现性依赖正文与附录中的配置说明。