OmniVideo-R1：利用查询意图与模态注意力强化视听推理

尽管人类通过多种模态协同感知世界以获得整体理解，但现有的全视频模型在视听理解任务上仍面临巨大挑战。本文提出 OmniVideo-R1，一种旨在提升混合模态推理能力的新型强化框架。该框架通过两大关键策略赋予模型“利用全模态线索思考”的能力：一是基于自监督学习范式的查询密集型接地；二是基于对比学习范式的模态注意力融合。在多个基准测试上的大量实验表明，OmniVideo-R1 持续优于强基线模型，彰显了其有效性与强大的泛化能力。