解锁认知能力并分析感知-逻辑权衡

多模态大语言模型（MLLM）的最新进展追求全感知能力，但把稳健的感官锚定与复杂推理相结合仍是挑战，对代表性不足的地区尤其如此。在本报告中，我们介绍MERaLiON2-Omni (Alpha)研究预览版，一个100亿参数、面向东南亚（SEA）的多语言全感知模型。我们提出一个渐进式训练流水线，显式解耦再整合“系统1”（感知）与“系统2”（推理）能力。首先，我们通过正交模态适配，把区域特定的视听线索（如Singlish语码转换、本地文化地标）与多语言LLM对齐，建立稳健的感知骨干。其次，为在没有大规模监督的情况下注入认知能力，我们提出高性价比的Generate-Judge-Refine流水线。通过利用Super-LLM过滤幻觉并经共识机制解决冲突，我们合成高质量银标注数据，把文本思维链推理迁移到多模态场景。在新推出的SEA-Omni基准套件上的综合评估揭示了一个效率-稳定性悖论：虽然推理是抽象任务的非线性放大器（显著提升数学与指令遵循性能），但它会给低层感官处理带来不稳定。具体而言，我们识别出长上下文音频中的时间漂移（Temporal Drift），即扩展推理使模型与声学时间戳脱同步；以及视觉过度解读（Visual Over-interpretation），即逻辑覆盖像素级现实。本报告详述架构、数据高效的训练配方，以及对稳健感知与结构化推理之间权衡的诊断分析。