把视频静音，你能答对几成？反过来，只听声音不看画面呢？对人类这是两道送分题，对当下号称「全模态」的大模型，却是一片测试盲区——多数基准把音频、视觉拆开单独考，音视频必须一起用才能解的题，长期没有专门的评测和训练方法。Qwen 团队 9 月 30 日提交到 arXiv 的 OmniReasoning，就是冲着这块空白去的。
基准：音视频证据缺一不可
论文的第一件事是把「联合」变成硬约束。OmniReasoningBench 收录 1,150 道选择题与开放题，分两大任务：一类是「对视频内推理」，另一类是「超越视频推理」。题目设计的底线是：音频和视觉证据缺一不可，单看任何一边都答不出来。这直接戳破了「分开考再相加」的传统测法的漏洞。
数据引擎：带时间戳的线索链
光有基准不够，还得会造训练数据。团队构建了 OmniQA 数据引擎，自动生成「证据落地」的问答对——每道题都显式依赖音视频联合推理，并附带带时间戳的线索链，用来引导思维过程的标注。引擎产出两套数据：OmniReasoning-SFT-112K（监督微调）和 OmniReasoning-RL-19K（强化学习）。
MFSD：把功劳算到每个模态头上
方法层的核心叫 Modality-Factored Self-Distillation（MFSD），一种在策略自蒸馏：对每个采样回复，分别在「单模态线索上下文」下评估，把单个线索的贡献和跨模态交互拆开，做 token 级的功劳分配。直白说：模型答对了，得说清是听出来的还是看出来的。
42.5%：涨得猛，但仍在深水区
结果摆在一起看：基于 Qwen3-Omni-30B-A3B-Thinking 训练的 OmniReasoning-30B-A3B，在 OmniVideoBench 拿到 50.0%，在 OmniReasoningBench 拿到 42.5%，较基座分别提升 12.8 和 9.3 个百分点，在 Video-MME-v2 等通用长视频基准上也有增益。但换个角度：自家针对性训练后的模型，在自家基准上也只答对不到一半——音视频联合推理不是「多做点数据」就能通关的赛道，线索交织时的功劳分配仍是硬骨头。
这篇论文对普通开发者的启发很直接：做多模态应用时，别急着堆参数，先检查你的评测是不是把模态拆开考了——拆开考的高分，在真实音视频场景里可能一文不值。
参考：arXiv:2609.39490（摘要页）；Hugging Face Daily Papers（论文页，10 月 6 日作者自荐上榜，12 个 upvote）。