用结构化证据账本改善长视频推理

用显式的 evidence ledger（证据台账）替代原始对话，可以让多模态推理质量提升约 10%–15%。这一收益来自一种替换：把冗长、难以处理的完整上下文记录，换成紧凑、由查询驱动的观察结果列表，Agent 可以按需将这些结果重新注入上下文。这样一来，对话就变成了聚焦的检索循环，而不再是被动地翻阅数小时的视频和音频。

此前，大多数多模态 Agent 都会在每轮交互中，将完整的音视频序列直接输入语言模型。这种方法依赖超大的上下文窗口，寄希望于 transformer 自行找出相关片段。但在处理长视频时，这些方法往往力不从心：推理还没开始，token 预算就已经耗尽，而且也无法保证模型确实参考了跨模态证据。

Adaptive Multi-modal Agentic Reasoning 引入了一种结构化证据台账，用来替代完整的对话历史。在 MMOU benchmark 上，相比基础模型 Qwen3-Omni-Instruct，这一方法带来了 16.3 个百分点的绝对提升。“在 MMOU 和 LVOmni 等包含长视频的 benchmark 上，OmniSeek 分别取得了 70.4% 和 44.2% 的成绩，相比基础模型 Qwen3-Omni-Instruct，分别提升了 16.3 和 8.4 个百分点。”[1] 证据台账由一个策略负责填充：它决定何时查看画面、何时聆听音频，提取简短的音频或视频片段，再仅将这些片段追加到上下文中。由于 token 占用保持不变，模型可以在相同预算内完成更多轮推理，进而直接提高多个数据集上的下游任务得分。

论文中的收益与其两阶段 reinforcement learning（RL）训练流程密切相关。该流程在初始监督预训练之后，又增加了额外的优化步骤。此外，论文报告的改进主要集中在长视频任务上；同样以证据台账为核心的设计，能否帮助处理短视频片段或纯文本形式的多模态 prompt，目前仍不明确。这意味着，证据台账的收益可能取决于输入是否包含丰富、时间跨度较长的信号，以及是否具备经过精心设计的 RL 训练体系。

如果观察到的 10%–15% 提升能够在实际部署中持续成立，那么多模态推理 benchmark 套件就应以显式的证据台账协议替代原始对话记录基线，将其作为新的默认方案。模型开发者无需扩大 token 上限，就能采用证据台账接口；只要把证据获取作为推理循环中的一等步骤，就能提高准确率。这一领域很可能迅速转向工具增强型 Agent，将观察结果的检索视为可控资源，而不是隐式产生的附带行为。

OmniSeek：面向多轮音视频推理的原生工具集成

如需采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。