Meta AI的研究团队在2026年7月13日提交的论文《Omni-Decision: A Progressive Evidence-State Agent System for Omni-Modal QA》提出了一种将证据状态管理作为Agent核心控制机制的新方法。传统多模态推理Agent的决策过程高度隐式,难以追踪从信息收集到最终答案之间的因果关系。Omni-Decision通过为每个查询维护结构化状态——包含确认证据、未解决冲突、事实与计算依赖关系以及开放证据需求——将内部推理转化为可检查、可追踪的显式表示。该方法训练无关,可直接应用于现有Agent系统。
从隐式推理到显式状态管理
多模态问答要求Agent同时处理文本、图像和表格等信息源,并在不同来源间建立逻辑关联。现有方法通常将感知模块与推理模块串联运行,但两者交互缺乏结构化约束。当面对矛盾信息时,Agent无法区分哪些结论基于确凿证据、哪些仍存疑点。
Omni-Decision的核心创新在于将不确定性显式编码为状态变量。每个查询对应一个四元组:已验证事实集合记录经交叉确认的可靠信息;冲突列表追踪不同模态来源间的矛盾陈述;依赖关系图刻画结论对特定证据的逻辑依赖;开放需求标识尚未满足的信息缺口。Agent每一步操作基于当前状态进行规划,完成后根据新信息确定性更新状态。
这种设计的优势在于可观测性——研究者可以精确追踪答案如何从初始不确定状态逐步收敛到最终结论:哪些证据被采纳、哪些冲突被发现并解决。对于高可靠性场景,这种显式追溯能力比单纯输出答案更具实用价值。
基准测试与性能表现
研究团队在两个权威多模态推理基准上评估了Omni-Decision的性能:OmniGAIA基准达到45.6%准确率,相比最强基线提升27.3个百分点;WorldSense基准准确率为58.3%,相对基线提升30.2个百分点。这两个数据集均涵盖跨模态推理、冲突消解和复杂依赖链分析任务。
Omni-Decision的性能提升并非来自模型容量增加或训练数据扩充——其设计完全独立于任何特定预训练模型或微调策略,可以立即部署到已有Agent架构中作为即插即用的状态管理模块。
对Agent可观测性的启示
Omni-Decision提出的证据状态范式为Agent系统设计提供了新方向。将内部决策过程转化为结构化、可检查的状态表示,不仅提升系统可解释性,也为自动化验证和调试奠定基础。当Agent输出错误答案时,研究者可以直接审查其证据状态的演化轨迹,定位问题发生在哪个阶段。
这种从隐式到显式的转变与AI安全领域强调的可解释性趋势一致。随着Agent系统被越来越多地部署到关键任务场景,理解其决策过程而非仅仅评估最终结果,将成为构建可靠AI系统的必要条件。
References
[1] Ming Ma et al., “Omni-Decision: A Progressive Evidence-State Agent System for Omni-Modal QA,” arXiv:2607.11433, July 2026. [Online]. Available: https://arxiv.org/abs/2607.11433