我们将 OmniVChat（全景视频聊天）定义为用户与全能模型之间的原生音视频对话任务。模型直接同步接收用户的音频和视频输入，并返回文本回复，用户的提问嵌入在音视频中，无需单独的文字问题、外部字幕或语音识别。直接的音视频输入能够降低外部延迟和计算开销，同时保留感知线索。
该领域面临两大瓶颈：真实录音数据稀缺，以及评价困难。高质量回复往往需要结合用户的环境、面部表情和周边物体，而这些信息的表达方式多样，导致基于关键词的匹配难以衡量回复质量。
受近期代理系统和视频生成技术进展的启发，我们构建了 OmniVChat-Studio——一个多代理数据引擎，用于合成单轮和多轮音视频对话。利用合成对话，我们搭建了 OmniVChat-Bench，覆盖五类基本对话能力的评测基准。
此外，我们提出 OmniVChat-RL，一种强化学习奖励设计，联合优化回复的正确性、效率和风格。基于合成对话对 Qwen3-Omni-Instruct 进行 OmniVChat-RL 训练后，在 OmniVChat-Bench 与真实录制的 OmniVChat-Bench-Human 上均取得显著提升，验证了奖励设计的有效性并展示了向真实对话的迁移能力。
点评