OmniVideo-100K：通过结构化脚本与证据链进行音视频推理的数据集

当前音视频问答方法常因解耦处理导致模态关联断裂及描述不一致，且缺乏长时序深度推理。为此，本文提出自动化数据引擎：一是实体锚定视频脚本化，利用全局实体列表确保跨片段指代一致并重构音视关联；二是线索引导的问答生成，先挖掘跨片段多模态线索再生成高质量问答对。基于此构建 OmniVideo-100K 数据集及测试集。实验表明，在该数据上微调模型显著提升了音视频推理性能，并在多个基准测试中展现出强大的泛化能力。