Omni-R1：迈向多模态推理的统一生成式范式

多模态大语言模型（MLLM）在多模态推理上进展显著。早期方法聚焦纯文本推理。更近期的研究把多模态信息纳入推理步骤；然而，它们往往遵循单一的任务特定推理模式，限制了跨各种多模态任务的泛化性。事实上，众多多模态任务需要多样的推理技能，例如放大图像特定区域或在图像中标记物体。为此，我们提出统一生成式多模态推理，通过在推理过程中生成中间图像来统一多样的多模态推理技能。我们以Omni-R1实例化该范式，一个两阶段SFT+RL框架，配备感知对齐损失与感知奖励，从而实现功能性图像生成。此外，我们提出Omni-R1-Zero，它通过从纯文本推理数据自举（bootstrap）逐步可视化，免除了对多模态标注的需求。实证结果表明，Omni-R1在广泛的多模态任务上实现统一的生成式推理，而Omni-R1-Zero平均能达到甚至超越Omni-R1，为生成式多模态推理指明了一个有前景的方向。