최근 공동 오디오-비디오 생성 분야의 발전은 눈부시지만, 실제 응용 분야에서는 강력한 모달리티별 충실도 (per-modality fidelity), 교차 모달 정렬 (cross-modal alignment), 그리고 미세한 동기화 (fine-grained synchronization)를 요구합니다. 강화학습 (Reinforcement Learning, RL)은 유망한 패러다임을 제공하지만, 이를 다중 목적 및 다중 모달 공동 오디오-비디오 생성으로 확장하는 연구는 아직 미개척 상태로 남아 있습니다. 특히, 본 연구의 심층 분석을 통해 RL을 적용할 때 발생하는 주요 장애물이 다음에서 기인함을 최초로 밝혀냈습니다: (i) 다중 목적 이점 불일치 (multi-objective advantages inconsistency), 즉 다중 모달 출력의 이점 (advantages)이 그룹 내에서 항상 일치하지 않는 문제; (ii) 다중 모달 그래디언트 불균형 (multi-modal gradients imbalance), 즉 비디오 분기 (video-branch)의 그래디언트가 모달 내 생성을 담당하는 얕은 오디오 레이어로 누출되는 문제; (iii) 균등한 신용 할당 (uniform credit assignment), 즉 미세한 교차 모달 정렬 영역이 효율적인 탐색을 수행하지 못하는 문제입니다. 이러한 단점들은 단일 전역 이점 (single global advantage)을 사용하는 바닐라 (vanilla) RL 미세 조정 (fine-tuning) 전략이 종종 차선책 (suboptimal)의 결과를 초래함을 시사합니다. 이러한 과제를 해결하기 위해, 우리는 세 가지 핵심 혁신을 포함하는 새로운 모달리티 인식 온라인 확산 강화학습 (modality-aware online diffusion RL) 프레임워크인 OmniNFT를 제안합니다: (1) 모달리티별 이점 라우팅 (Modality-wise advantage routing), 이는 독립적인 보상별 이점을 각각의 해당 모달리티 생성 분기로 라우팅합니다. (2) 레이어별 그래디언트 수술 (Layer-wise gradient surgery), 이는 교차 모달 상호작용 레이어를 위한 그래디언트는 유지하면서 얕은 오디오 레이어에서의 비디오 분기 그래디언트를 선택적으로 분리 (detach)합니다. (3) 영역별 손실 재가중 (Region-wise loss reweighting), 이는 오디오-비디오 동기화 및 미세 정렬과 관련된 중요한 영역을 향해 정책 최적화 (policy optimization)를 조절합니다. LTX-2 백본 (backbone)을 사용한 JavisBench 및 VBench에서의 광범위한 실험을 통해, OmniNFT가 오디오 및 비디오 지각 품질, 교차 모달 정렬, 그리고 오디오-비디오 동기화 측면에서 종합적인 개선을 달성함을 입증하였습니다.