TLive-Omni：面向电商直播的全模态理解模型

研究团队提出 TLive-Omni，一个面向电商直播场景的全模态理解模型，可将图像、视频、音频和文本映射到统一表示空间。该模型引入 Per-vGrid 时间戳 token 组织方式实现音视频时间对齐，并采用三阶段监督训练加 Faithful-RFT 强化微调，在电商直播基准上表现强劲，同时在通用基准上保持良好泛化能力。