**OmniSeek:原生工具集成实现多轮视听推理**

_OmniSeek: Native Tool Integration for Multi-turn Audio-Visual Reasoning_

> OmniSeek 是一个智能体框架,将 Omni-LLM 转化为具备原生工具使用能力的多轮推理智能体。它通过动态决定“看”或“听”及时间窗口,在长上下文中检索稀疏关键证据,并将原始音视频片段追加至上下文以支持后续推理。该框架利用合成的 OmniTraj-170K 数据集进行冷启动,结合监督学习与两阶段强化学习优化策略,并引入视听必要性目标以鼓励跨模态依赖。实验表明,OmniSeek 能显著提升视听推理性能。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-02 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2610.02181)