「聽覺」引導「視覺」，OmniAgent開啟全模態主動感知新范式

針對端到端全模態大模型（OmniLLMs）在跨模態對齊和細粒度理解上的痛點，浙江大學、西湖大學、螞蟻集團聯合提出 OmniAgent。這是一種基于「音頻引導」的主動感知 Agent，通過「思考 - 行動 - 觀察 - 反思」閉環，實現了從被動響應到主動探詢的范式轉變。

在 Daily-Omni 等多個基準測試中，其準確率超越 Gemini 2.5-Flash 和 Qwen3-Omni 等開閉源模型。

• 論文地址：https://arxiv.org/pdf/2512.23646
• 論文主頁：https://kd-tao.github.io/OmniAgent
• 發起實驗室ENCODE LAB：https://westlake-encode-lab.github.io/

背景與痛點

1. 端到端全模態模型雖然實現了視聽統一，但往往受限于高昂的訓練成本和困難的跨模態特征對齊，導致在細粒度跨模態理解上表現不佳；
2. 基于固定 Workflow 的智能體依賴人為設定僵化的流程，缺乏細粒度和靈活性，無法根據問題自主的進行規劃與信息獲取；
3. Caption-based 視頻智能體需要在分析問題之前，先針對整個視頻構建幀 caption 數據庫，隨后基于視頻字幕數據庫來理解內容，但這種方法計算成本高，難以捕捉細節的跨模態信息。

相比之下，OmniAgent 引入了一種全新的主動感知推理范式。通過在迭代反思循環中策略性地調度視頻與音頻理解能力，該方法有效攻克了跨模態對齊的難題，從而實現了對視聽內容的細粒度理解。

方法論

OmniAgent 摒棄了固定的工作流，采用了「思考 - 行動 - 觀察 - 反思」閉環機制 。

1.思考：OmniAgent 會根據問題進行分析，自主決定「聽」還是「看」。

2.行動：根據計劃，OmniAgent 會從構建的多模態工具中選取合適的工具進行調用：

1. 事件工具：利用音頻能夠高效捕捉全局上下文的特性，首創音頻引導事件定位，快速鎖定關鍵時間窗口，避免對長視頻進行無效的視覺掃描 。
2. 視頻工具：包含粗粒度的全局視頻問答，以及在特定時間內基于更高幀率進行分析的片段問答工具。
3. 音頻工具：涵蓋音頻全局描述、細粒度問答，以及支持精確時間戳的語音轉錄 （ASR）。

3.觀察與反思機制：智能體接受工具結果，評估目前已有的證據能否正確的回答問題，并且結合之前在多步推理中進行跨模態一致性檢查，確保視聽證據互證，解決幻覺與對齊問題。

效果如何？

OmniAgent 在三個主流視聽理解基準測試中均取得了 SOTA 成績，顯著優于現有的開源及閉源模型：

1.Daily-Omni Benchmark：準確率達到 82.71%，超越 Gemini 2.5-Flash (72.7%) 和 Qwen3-Omni-30B (72.08%)，提升幅度超 10% 。

2.OmniVideoBench：在長視頻理解任務中，準確率達 59.1%，大幅領先 Qwen3-Omni-30B (38.4%) 。

3.WorldSense:OmniAgent 也保持了領先的準確度。

未來愿景

1. OmniAgent 的設計理念有很高的擴展性，能夠繼續結合其他模態的工具；
2. OmniAgent 能夠幫助生成高質量的 COTT 數據，用來構建可以自我調用工具的下一代智能體全模態模型。

總的來看，OmniAgent 證明了在全模態理解任務中，音頻引導的的主動感知策略是解決跨模態對齊困難、提升細粒度推理能力的有效路徑。該工作為未來的全模態 Agent 算法設計提供了新的范式參考。