本文介绍 OmniReasoner，一种针对长音频视频推理的工具使用后训练框架。针对长视频中证据稀疏且全量高保真处理成本高的问题，OmniReasoner 让模型先进行低成本全局预览，再决定调用 zoom-in 工具获取特定区间的高保真片段。核心创新包括 TimeAnchor 解决跨采样率时间锚定，以及 Temporal Augmented Data Engine 合成训练数据。实验显示在 OmniVideoBench 和 VideoHolmes 上显著超越基线。需注意当前框架对全模态模型支持有限，且存在幻觉风险。
本文提出MoD-VLLM框架，旨在解决长视频理解中Token预算有限与多事件细节捕捉之间的矛盾。现有方法如Token剪枝或关键帧选择易导致细节丢失或错误传播。MoD-VLLM通过正负视频片段定位模块识别相关片段，并利用模块化动态粒度反射模块，对正片段进行细粒度编码以捕捉细节，对负片段进行粗粒度编码以保留全局上下文。结合DPO优化与反事实验证，该框架实现了迭代式自我修正。实验显示，在VideoMME和MEventBench等基准上，MoD-VLLM显著优于LLaVA-Video和Qwen2.5-VL等基线模型。
本文提出VideoTreeSearch (VTS)，针对长视频接地问答中传统智能体缺乏回溯机制、易过早收敛的问题。VTS利用CLIP构建语义树，通过zoom_in/out/shift离散动作实现显式自纠错。实验显示，VTS在CG-Bench上mIoU达16.8，显著优于LongVT，且平均处理帧数更少。需注意当前方法对多段分散证据支持有限，且依赖CLIP场景分割。
本文介绍Nemotron Labs发布的AV-Flamingo，一个面向长视频与复杂场景的开放音视频智能模型。针对现有模型缺乏长上下文联合理解能力的问题，该工作提出了包含约700万实例的AV-Skills数据集，以及将推理步骤锚定时间戳的TAVIT框架。实验显示，在MMOU、WorldSense等基准上，AVF-Think表现优异，部分指标超越OmniVinci等开源模型，但在MMOU上略低于Gemini-2.5 Pro。模型完全开源，包括权重、代码及数据集，适合需要透明训练流程的研究者。需注意数据集存在来源偏差风险，且极长密集视频推理仍具挑战。