模型训练的两个阶段
冷启动阶段：奠定基础推理能力
为了保证RLVR阶段训练的平稳性，该团队使用一个组合数据集进行微调，使其初步 掌握多模态情感识别任务中的推理能力 。该组合数据集是一个由 580 条视频数据组成的组合数据集，其中包括来自 Explainable Multimodal Emotion Reasoning (EMER) 数据集的 232 条样本，以及来自 HumanOmni 数据集的 348 条样本。
EMER数据集的数据格式如下：
这一阶段确保了模型在进入 RLVR 阶段前已具备一定基础能力，从而提升后续训练的效率与稳定性。
RLVR阶段：推理与泛化能力双重提升
基于冷启动阶段初始化的模型，通过RLVR的方式训练，同时利用视频和音频的多模态数据优化情感识别任务。该阶段通过强化学习与可验证奖励机制， 进一步优化了模型的推理能力和泛化性能。
RLVR的第一个关键组件是策略模型（policy model），该模型处理由视频帧和相应音频流组成的多模态输入数据，并生成一组候选响应。每个响应都附带详细的推理，展示了模型如何整合视觉和听觉信息从而得出预测的详细过程。
第二个关键组件是奖励函数，策略模型生成的这些候选响应使用可验证的奖励函数（reward function）进行评估。RLVR训练框架中用到的奖励函数受DeepSeekR1的启发，将奖励分成了两个部分，精确率奖励（accuracy reward）和格式奖励（format reward），这两部分共同形成最终的奖励R：
通过联合两部分奖励，该奖励函数不仅鼓励模型生成正确的预测，同时保证输出是结构化的，并且和我们预设的格式一致。
实验表明，RLVR 不仅让音频和视频信息的作用更加透明，还显著提升了模型在情绪识别任务中的关键指标。此外，R1-Omni 在分布外测试中表现出色，充分展现了其在复杂场景下的强大泛化能力。
