跳到正文
arXiv · NLP· Ziyang Cheng, Yuhao Wang, Hongcheng Liu, Qimin Wu, Jingru Fan, Chen Qian, Yanfeng Wang, Yu Wang·· 2026-10-05AI 评分39

以文本为中心的 Omni-Modal 推理后训练范式

Text-Centric Post-Training for Omni-Modal Reasoning

AI 导读

针对 Omni 大语言模型联合音视觉推理成本高的问题,提出文本为中心的后训练范式。核心是用纯文本 SFT+RL 优化推理,再用小数据音视觉 RL 修复感知。 该范式使 Qwen2.5-Omni-7B 九项推理得分几何平均提升 25.83%,相比完整音视觉路线节省 56.6% GPU 时;纯文本合成数据可提升 21.01%。

来源:arXiv · NLP · arxiv.org