OmniSeek 让 Omni-LLM 在多轮推理中自主决定看或听，并在多模态基准上稳定提升音视频推理表现
作者提出 OmniSeek 智能体框架，把证据获取纳入推理过程：模型在多轮协议中动态决定看或听以及时间窗口，将检索到的原始音频或视觉片段追加回上下文，并用合成的 OmniTraj-170K 多跳思维链轨迹做冷启动监督，再经两阶段可验证奖励强化学习优化，同时引入音视频必要性目标奖励真正依赖双模态的成功轨迹，实验显示其学到自适应跨模态证据搜寻并稳定提升音视频推理表现。
纯文本后训练让 Qwen2.5-Omni-7B 九项推理分数几何均值提升 25.83%，GPU 小时减少 56.6%
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。
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。
已读完全部报道