原生主动感知作为全模态理解的推理机制

针对长视频理解中被动模型计算成本随 duration 增长的问题，本文提出 OmniAgent，首个原生全模态智能体。该方法将视频理解构建为基于 POMDP 的迭代“观察 - 思考 - 行动”循环，通过按需行动选择性提取音视频线索至持久文本记忆，解耦推理复杂度与视频时长。文章引入了智能体监督微调与基于 TAURA 的强化学习策略。实验表明，OmniAgent 在十个基准测试中达到开源模型最先进水平，且表现出推理轮次增加性能提升的正向扩展特性。