论文提出以文本为中心的全模态推理后训练范式

论文提出以文本为中心的全模态推理后训练范式，用文本训练主优化推理，再用减少数据的原生音视频 RL 精炼感知。文本-only SFT 加 RL 使 Qwen2.5-Omni-7B 九项推理分数几何均值较基线提升 25.83%，比完整原生音视频路线少 56.6% GPU-hours；精炼阶段输入 token 减少约 90%，感知恢复至基线以上，并保留文本-only 管线 93.5% 的推理增益。