OmniSeek 让 30B 全模态模型自己决定看还是听：在 10 个音视频基准上超过同规模开源模型，VideoHolmes 达 74.6%
研究者提出 OmniSeek，把全模态大模型改造成可多轮调用工具（get_audio_clip、get_video_clip）的主动取证智能体，并用自建数据引擎合成 169,725 条交错音视频证据的思维链轨迹 OmniTraj-170K，配合三阶段训练与 Audio-Visual Necessity 奖励，在 10 个全模态基准和 4 个通用视频基准上取得领先或具竞争力的成绩。