先说一个可能反直觉的事实：给一个AI智能体配上更强的"眼睛"，它解决复杂问题的能力未必会明显提升；但如果给它配上更强的"脑子"，效果立竿见影。
这不是猜测，是有实验数据撑着的。研究团队做了一个很干脆的对照实验：只换掉负责"看"视频、听音频的感知模块，成绩几乎没怎么掉；只换掉负责"想"下一步该干什么的规划模块，成绩直接从八十多分摔到十几分。这个发现,对做多模态智能体的人来说,有点颠覆认知，因为大家一直以为，AI理解视频、音频这些"看和听"的能力才是瓶颈。
(资料图)
问题到底出在哪
想象一下你在帮朋友查一件事：视频里某个网红什么时候第一次发Instagram，得先看视频找到品牌是谁，再去查这个品牌的Instagram注册时间，再查它第一条帖子的时间，最后算出中间隔了几个月。这中间你要处理的信息包括一段啰嗦的视频文本转录、一堆网页搜索结果里夹杂的广告和无关内容、还有你自己脑子里记着的"我已经查到了什么、还差什么"。
现在把这件事交给AI智能体来做。它每一步都会调用工具去获取信息，浏览器返回的是一整页夹杂着噪声的文本，视频理解模块吐出来的是一大段描述,里面掺杂着一堆无关细节。这些东西全都会被塞进对话历史里，一轮一轮往上堆。等到第十步、第二十步的时候，AI要在这堆越来越长、越来越乱的文字里，重新翻出"我到底还差什么信息",这跟你在一堆便利贴里找一张三天前写的关键笔记没什么两样。
这篇论文的作者们把这个问题定位得很清楚：多模态智能体的核心瓶颈不是感知能力不够，而是规划能力跟不上。他们提出了一个系统，叫做Omni-Decision,专门解决这个"越问越糊涂"的问题。
反事实实验：换掉规划器 vs 换掉感知器
研究团队做了一组控制变量实验，把系统里的两个核心部件分别单独替换,一个是负责决策的规划器，一个是负责看视频、听音频的感知后端，观察准确率的变化。
结果很扎眼。把规划器从GPT-5.2换成参数量小得多的Qwen3-Omni-30B，整体准确率从81.39%直接掉到14.72%，跌了66个百分点。而把感知模块从Gemini-3.1-Pro换成三种不同的替代方案，成绩最差也还能保持在58.89%,跌幅不到23个百分点。同一代模型内部做对比,替换Qwen3.5-Plus这个规划器要付出23.3分的代价，替换同一档位的感知模块只要付出15.8分，比例大概是1.5比1。
更有意思的是,一旦规划器弱到一定程度，感知质量再好也没用了。同时替换两个部件，成绩是13.89%，跟单独换掉规划器的14.72%几乎一样。这说明感知模块此时已经不是瓶颈,规划能力差到一定程度，给它再清晰的观察结果也白搭，它已经没有能力把这些信息组织起来去推进任务了。
这个发现直接决定了整篇论文的设计方向：与其继续死磕感知精度,不如去修规划这条腿。
证据账本：把"记忆"变成"记录"
Omni-Decision的核心创新叫做证据账本规划
证据账本：一个结构化的、随任务动态更新的状态记录表，记录当前还缺哪些证据、已经确认了哪些事实、哪些地方出现了矛盾。
传统做法是把每一次工具调用的返回结果原样塞进对话历史，让AI自己在这堆文字里找线索。Omni-Decision换了个思路：不让噪声进入AI要反复阅读的持久上下文，而是设一个"账本"，每次工具返回结果，先经过一个"审核员"角色过滤和提炼，只把有用的部分写进账本，原始的噪声内容看一眼就扔掉。
这就像公司报销。如果每个人报销都把整张购物小票原封不动地塞进财务系统,小票上印着商品名、促销广告、会员积分提示、收银员工号,财务人员要从这堆信息里抠出"金额"和"事由"两个字段，效率会越来越低,而且时间越长，堆积的小票越多，越容易看漏。但如果有个专职审核的人，每张小票进来先审核提取出"金额540元，用于差旅打车"，写进一张干净的台账,后面无论谁来查账，看的都是这张台账，不用再翻堆积如山的原始小票。如果不设这道审核关卡，随着任务步数增加,规划器要处理的上下文会线性膨胀,而实验里"不设账本"的对照组（No-ledger ReAct）在中等难度和高难度任务上比完整方法低了24个百分点，恰恰印证了这一点。
账本里具体记什么？论文给出了四个字段。
未解决的证据需求：从问题拆解出来的一张待办清单，比如"确认品牌名称""获取上线日期"，每条都标注了是否已经填上。
事实与计算槽位：查询里隐含需要的外部事实、实体属性、计算结果,比如两个日期之间差几个月这种数值。
已确认证据：带来源和时间戳支持的证据原子，是最终答案的直接依据。
未解决冲突：如果不同来源的信息对不上,比如视频里的日期卡只精确到月份，但网页搜索给出了精确到日的日期,这条矛盾会被记进这个字段，并且在解决之前，系统不允许直接给出答案。
这四个字段各自对应一个决策：清单指导下一步该做什么，槽位标出还缺哪些事实和计算，证据支撑最后的回答，冲突则像一道闸门,只要还有没解决的矛盾，答案就出不去。
审核员和写手分开：为什么不能一个人干两件事
论文里还有一个设计细节值得展开讲讲：负责"看观察结果对不对"的角色（critic，姑且叫审核员）和负责"决定下一步做什么"的角色（planner，规划器）是分开的，两个独立的判断。
审核员：读取每一次工具调用返回的原始信息，判断它是支持、还是与已有证据冲突、还是完全没提供有用信息，给出一个"裁决"。
这个设计的道理很直接。如果规划器既要判断刚拿到的这份资料靠不靠谱，又要同时决定下一步干什么，它很容易把两件事搅在一起。研究团队引用了一个已知的现象：大语言模型不太擅长在没有外部反馈的情况下,自己发现并纠正自己的推理错误。也就是说，如果规划器自己一边看资料一边下判断，一旦它把一份不靠谱的网页错误地当成"已经确认的证据"，这个错误会一直卡在对话历史里,后面的每一步决策都建立在这个错误基础上，越走越偏，而且没人会去质疑它。
这跟司法系统里为什么要把"证据审查"和"量刑决定"分给不同的人有点像。如果让同一个人既当证人又当法官，他很容易带着自己刚才的证词偏见去做判决,证据本身有没有问题，他自己可能意识不到。把审核这道关卡单独拎出来，交给一个专门角色去把关，出错的概率就明显降低了。数据上，独立审核角色能在提交给账本之前拦截住那些"把噪声页面误判为已确认证据"的错误，不让它污染后续所有决策。
一个具体的执行案例走一遍
论文给了一个真实运行过的案例。问题是：视频里某个品牌第一次发Instagram帖子，距离Instagram平台正式上线，中间隔了多少个月。
系统先把问题拆解成待办清单：品牌是谁、上线日期是多少、第一条帖子日期是多少、月份差是多少。然后依次调用视频定位工具锁定品牌名"Daniel Wellington"，调用网页搜索确认Instagram正式上线是2010年10月，第一条帖子发布于2012年7月，最后调用代码执行工具算出准确的月份差是21个月。每完成一步，对应的待办项目就从清单里划掉，同时把支撑证据写进账本。等所有待办项都清空、也没有矛盾冲突了，系统才组织语言给出最终答案21个月。
这个过程有点像装修房子时候的验收清单。水电改造完了打勾，防水做完了打勾，每一项都有明确的完成标志，而不是装修队含糊地说"应该差不多了"。如果没有这张清单，装修队很可能漏掉某一项，等你入住之后才发现某个插座没接电,这就对应到AI系统里"过早收敛""还没查全就给答案"的那类错误。
这套机制不仅指导执行，还能拿来做诊断。研究团队统计了360道题里，账本记录的证据完成度：答对的题目平均完成了66.2%的证据需求，答错的题目平均只完成32.8%。更值得注意的是，92.5%的答错案例其实已经完成了至少一项证据需求,不是完全跑偏，而是最后一环没接上。对这67个错误案例逐一分析原因，发现40.3%卡在媒体感知环节（比如没读清楚画面里的小字），32.8%卡在外部信息检索环节（查到的事实对不上实体），只有4.5%是因为过早停止、没查完就草率收尾。
这个数据本身就很说明问题：有了账本机制、又配上最强规划器之后,决策层面"过早放弃"的问题基本被压下去了，剩下的瓶颈转移到了证据获取本身,也就是感知模块看得够不够细、检索模块查得够不够准。
用运行痕迹反过来训练模型
论文另一个亮点是,这套系统运行时留下的痕迹本身就能变成训练数据，而且不需要人工去一步步标注对错。
具体来说，每一次规划器做决策，系统都会自动记录下当时它看到的账本状态、它选择的动作、以及审核员给出的裁决结果。这些记录被分成两阶段用来训练更弱的规划模型。
第一阶段叫状态监督微调（state-SFT），只保留最终判定为正确的完整运行轨迹，把每一步的"账本状态-动作"拆成一对对训练样本，直接让弱模型模仿强模型在类似账本状态下会做的选择。
第二阶段是闭环对齐的强化学习。因为账本里明确列出了每条待解决的需求，评判一个候选动作好不好，不需要真的把这个动作执行一遍再看结果，只要看它有没有针对性地推进某条待解决需求就行。这大大降低了训练成本,不用每次都跑一整条真实轨迹去拿反馈。
这套训练方案在两个较弱的模型上都见到了效果。Qwen3.5-27B原本只有46.94%的准确率，经过状态监督微调再加强化学习，提升到50.56%。参数量更小的Qwen3-Omni-30B原本只有14.72%，光是做完状态监督微调就提升到18.61%。
这就像老师傅带徒弟。徒弟不用把每次操作失败的机床都重新拆一遍，只要看老师傅当年在类似情况下是怎么调整刀具角度的记录本，照着学就能少走很多弯路。如果没有这份记录本，徒弟只能靠自己反复试错，效率会低得多，而且很可能重复同样的错误。
跑分结果：钱花得更少，成绩还更好
在OmniGAIA这个主打开放世界证据检索的基准测试上（覆盖视频、音频、网页、计算等跨模态问题），Omni-Decision拿到了81.39%的整体准确率，是目前公开报告里最好的成绩。同一时间窗口测试的Gemini-3.1-Pro（谷歌当时最强的模型，直接作答不经过任何智能体框架）是79.44%，也就是说，一套精心设计的智能体系统，配合中等强度的规划模型，居然能小幅超过直接用最强模型硬答。
更实际的一点是成本。按运行时的实际计费记录算，Omni-Decision平均每道题大约1.2美元，而Gemini-3.1-Pro直接作答平均每道题要2.8美元，前者只花了后者大约43%的成本，还拿到了更高的分数。
在另一个专门测长视频理解的基准WorldSense上（这个测试禁用了网页搜索，所有证据都得从视频、音频、字幕里挖），Omni-Decision拿到65.0%，跟当时表现最好的端到端模型Gemini-3.1-Pro（65.5%）基本持平，成本却只要大约0.3美元，是直接作答方式（约0.8美元）的三分之一多一点。
跟其他智能体系统比，差距更明显。一个没有任何控制结构、只是简单给模型开放工具调用权限的极简智能体，成绩只有5.56%。官方基线管线是18.33%。一个多角色协同的系统Orchestra-o1能到72.8%，一个把感知外包给沙箱编码环境的系统能到75.0%,都不如Omni-Decision的81.39%。同样的两个底层模型组合，换不同的"外壳"，成绩能从5.56%飙到81.39%，这也再次印证了那个反直觉结论：框架设计对最终表现的影响，可能比换个更强的底层模型还大。
这里就要提一下上下文工程这个方向了。
上下文工程：研究如何组织、压缩、筛选AI智能体处理长任务时积累的信息，让它在有限的注意力窗口里保持高效运转的一整套方法。
此前已经有工作尝试用摘要压缩、占位符替换这些手段来清理堆积的对话历史，但那些方法本质上是"先让噪声进入历史，再事后压缩"。Omni-Decision的做法不一样，它是从源头上不让噪声进入持久记忆，观察结果一进来就被消化成结构化的账本条目，压根不给"越堆越乱"这件事发生的机会。
局限和延伸方向
论文也坦诚了这套系统目前的边界。审核员这个角色目前只处理文本形式的观察结果，原始的视频、音频画面并不会直接进入它的输入，账本的质量因此受限于感知工具输出文本的质量,如果感知模块本身描述得不够细，账本再干净也没用。一个能直接读取多模态输入的审核员,是论文作者认为的下一步方向。
这个局限跟前面的失败归因数据是对得上的：三分之一以上的错误案例卡在感知环节没读清楚细节，这恰好是审核员目前够不着的地方。
站在更远一点的角度看，Omni-Decision解决的其实是一个在很多领域都会反复出现的矛盾：随着任务变长、信息变多，处理这些信息所需要的"注意力"资源是有限的，而信息量是线性甚至指数增长的。把"记忆"变成显式的"记录"，让每一次输入都经过审核筛选再进入系统，这套思路不只适用于视频问答智能体,任何需要长时间、多步骤、跨渠道收集信息才能完成的任务，理论上都能借鉴这个设计。
