# Qwen2.5-Omni-7B

CRESiST把大模型同声传译从“前缀追加”改成语音块与译文词交错的读写序列，使KV缓存可以整段复用，不再依赖语音活动检测切句。它用RNN-T作为Actor采样读写轨迹，由带Router与Refiner的Qwen2.5-omni-7B作为Critic给出语义一致性与时延奖励，再反向蒸馏回Actor。在MuST-C与ACL 60/60上，无分段流式结果比有oracle分段仅低1–2个COMET点。

CRESiST把大模型同声传译从“前缀追加”改成语音块与译文词交错的读写序列，使KV缓存可以整段复用，不再依赖语音活动检测切句。它用RNN-T作为Actor采样读写轨迹，由带Router与Refiner的Qwen2.5-omni-7B作为Critic给出语义一致性与时延奖励，再反向蒸馏回Actor。在MuST-C与ACL 60/60上，无分段流式结果比有oracle分段仅低1–2个COMET点。

该工作通过诊断发现全模态大模型存在多跳推理困难以及感知与推理目标局部优化部分解耦，据此提出以纯文本训练承担主要推理优化、再用约减少 90% 输入 token 的原生音视频强化学习精修感知的文本中心后训练范式；最佳纯文本配置（监督微调后接强化学习）使 Qwen2.5-Omni-7B 九项推理分数的几何均值较基座提升 25.83%，GPU 小时比完整原生音视频路线少 56.6%，完全由纯文本 LLM 合成数据训练也能提升 21.01%，精修后感知恢复到基座之上并保留 93.5% 的推理增益。

该工作通过诊断发现全模态大模型存在多跳推理困难以及感知与推理目标局部优化部分解耦，据此提出以纯文本训练承担主要推理优化、再用约减少 90% 输入 token 的原生音视频强化学习精修感知的文本中心后训练范式；最佳纯文本配置（监督微调后接强化学习）使 Qwen2.5-Omni-7B 九项推理分数的几何均值较基座提升 25.83%，GPU 小时比完整原生音视频路线少 56.6%，完全由纯文本 LLM 合成数据训练也能提升 21.01%，精修后感知恢复到基座之上并保留 93.5% 的推理增益。