SALMONN 系列音视频理解大模型霸榜回归！推理增强、高帧率、无文本泄漏全线突破（

1.salmon.

SALMONN 家族在首个通用音频理解模型（ICLR 2024）和首个全要素音视频理解模型 video-SALMONN（ICML 2024）基础上再次迎来重磅扩容，霸榜各大音视频理解榜单！全新一代 video-SALMONN 2/2 、首个开源推理增强型音视频理解大模型 video-SALMONN-o1（ICML 2025）、首个高帧率视频理解大模型 F-16（ICML 2025），以及无文本泄漏基准测试 AVUT（EMNLP 2025） 正式发布。

2.salmonpink

新阵容在视频理解能力与评测体系全线突破，全面巩固 SALMONN 家族在开源音视频理解大模型赛道的领先地位

3.salmon (まふゆ)

图像由 Nano-Banana 生成新旗舰登场video-SALMONN 2 video-SALMONN 2 是首个专注于高质量、完整视频描述的音视频大语言模型通过原子事件级的评估体系与 MrDPO 多轮强化学习优化，它大幅减少信息遗漏和幻觉。

4.salmonvgene

在字幕完整性和准确性指标上取得最好结果（SOTA）

5.salmon dictation

研究团队进一步发现：利用该模型大规模生成高质量描述，并将其反哺新模型训练，不仅能保持强描述能力，还能显著提升问答等音视频理解任务表现最终，video-SALMONN 2 在 Video-MME、 WorldSense、AVUT、Video-Holmes、DailyOmni 等音视频理解榜单，MLVU、LVBench 等静音视频理解榜单上全面领先。

6.salmon软件

72B 版本整体性能超越 GPT-4o、Google Gemini 1.5 Pro 等闭源巨头得益于对音频模态的同步利用，video-SALMONN 2 系列在 Video-MME 等榜单上，无字幕（端到端真实系统）与有字幕（外挂人工标注或商业语音识别系统生成的理想字幕）之间的性能差距小于 2%。

7.salmon fillets

这表明音视频联动能有效增强语义理解能力，并能在无人工字幕的视频与具身机器人等场景中具有明显优势

8.salmon patches

研究团队首先以 Qwen 2.5-VL 7B 为底座构建音视频模型，经上述音视频训练流程及 MrDPO 训练得到 video-SALMONN 2 7B随后，利用该模型对更大规模的音视频数据进行高质量描述标注，并以此为数据源，训练基于 Qwen 2.5-VL 3B/72B 的音视频大模型，最终获得 video-SALMONN 2 3B/72B。

9.salmon steak

实验显示，相比仅用原始标注数据训练的基线，新模型在视频理解能力上实现了全面提升

10.salmon arm

Video-MME 数据集上的消融实验结果结果验证了该的技术路径有效性：高描述能力模型可充当高质量训练数据的 “生成器”，为更强音视频理解模型提供可靠的数据基础，推动模型持续迭代与性能跃升推理增强，让模型真正看懂。

video-SALMONN-o1（ICML 2025）

问题： 表演者为什么想成为黑山公民？选择：A. 因为黑山是个美丽的国家B. 因为他想住在一个名字匹配他肤色的国家C. 他想成为一座山D. 他觉得黑山的人都很有吸引力E. 他觉得这个国家的名字听起来很酷video-SALMONN-o1 推理：

喜剧演员说欧洲有一个国家叫做黑山然后他重复了一遍这个名字，强调它的独特性：“有一个满是白人的国家，叫做黑山”他表示自己很想成为其中一员，甚至开玩笑说要把国籍改成黑山他想成为黑山公民的理由是：那是一个美丽的地方，而且名字与他的肤色相符。

因此，答案是 B. 他想生活在一个与自己肤色相符的国家

问题： 表演者谈到了直男在照片中的习惯为什么观众会笑呢？请从以下选项中选择：A. 表演者的衬衫很好笑B. 表演者让观众想起了他们的朋友C. 观众感到被冒犯了，于是尴尬地笑了D. 表演者是女性，觉得取笑直男很有趣。

E. 光是想象就觉得好笑，而表演者还把它演出来了video-SALMONN-o1 推理：表演者在开直男的玩笑，说他们拍照时喜欢抬着下巴摆姿势然后他亲自模仿了这种姿势，并加以夸张来制造喜剧效果观众之所以发笑，是因为他们能够产生共鸣，并觉得这种摆姿势的行为本身就很滑稽。

因此，答案是 E. 光是想象就觉得好笑，而表演者还把它演出来了。

问题： 这个视频里有什么笑话以及为什么好笑？请逐步详细分析video-SALMONN-o1 推理：笑点在于：美国副总统乔・拜登写了一本自传说话者（很可能是个喜剧演员或观众）说他觉得这本书比实际好得多这很有趣，因为它利用了一个常见的观念 —— 政治人物往往会把自己描绘得比他们真正值得的更正面。

说话者暗示拜登的自传好得令人难以置信，这是一种对情境的幽默夸张在脱口秀等复杂视频中，深层理解不仅依赖于音频与视觉的联合感知，还需要在此基础上开展多步推理video-SALMONN-o1 是首个推理增强的开源音视频大语言模型：相较于同类开源系统直接输出答案，它可以同时接收音频与视频输入，执行基于证据的逐步推理并给出结论，实现结果与理由的一致性。

实验观察表明，针对数学 / 编程的文本推理优化，或以图文为主的推理范式，难以有效泛化至音视频理解；video-SALMONN-o1 以音视频原生的过程监督与推理优化，拓宽了推理的应用边界，使大模型能以推理为核心更全面地理解物理世界。

问题： 双胞胎研究如何分离