OmniLLM

文本界面影响 LLM 在视听任务中的推理能力

研究人员探讨了文本界面设计如何影响多模态视听问答任务中提示的优化。他们比较了三种界面设计：使用单一全模态 LLM（OmniLLM）的直接推理系统、字幕生成器-推理器系统以及具有多个 OmniLLM 的代理架构。使用 Qwen3-Omni 和 Gemini 模型进行的实验表明，直接提示优化可带来模型依赖性的改进，而其他两种系统提供了更易于理解的界面，但优化难度更大。