**OmniAgent：主动感知推理实现全模态长视频理解，性能超越72B模型**

_Native Active Perception as Reasoning for Omni-Modal Understanding_

> OmniAgent是首个原生全模态智能体，将视频理解建模为POMDP迭代循环，通过按需行动选择性提取视听线索，解耦推理复杂度与视频时长。在十个基准上达到开源最优，7B版本在LVBench上达50.5%，超越72B的Qwen2.5-VL。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-18 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.19341)