7月28日，记者获悉，近日，具身全模态理解权威榜单DailyOmni最新评测结果揭晓，智元自研的具身原生全模态大模型WITA-Omni Preview，凭借音视频联合理解与时序推理能力，以85.21分综合成绩登陆榜单首位，在八项细分指标中的六项取得第一。

　　对于人形机器人交互能力来说，以往的全模态模型大多优先适配线上数字内容交互，而机器人身处持续变化的物理空间，不仅需要同步“看见画面、听见声音”，更要实时判断声音归属主体、事件发生顺序，识别交互对象、找准响应时机，传统模块化机器人方案很难完成这类时序耦合的复杂推理任务，也是长久以来人机交互生硬割裂的关键瓶颈。

　　对具身智能机器人而言，“理解”和“回应”并不是两个割裂的步骤，而是一个持续发生的物理过程。机器人需要一边观察环境、一边接收声音；一边组织语言、一边配合动作和表情。在多人、开放且持续变化的真实环境中，它还必须进一步判断：是否应该回应、什么时候回应，以及正在与谁交互。

　　据智元方面介绍，WITA-Omni并不是简单地把聊天模型“装进”机器人，而是将物理动作和表情提升为与语音并列的一级输出，用一个原生端到端模型统一驱动感知、决策与表达。

　　同时，WITA-Omni一套围绕具身全模态交互构建的分层数据体系与针对性训练方法。在中训练阶段，WITA-Omni 使用千万小时级多模态数据，将强文本、视觉底座进一步升级为能够“听得见、看得懂，并进行音画联合推理”的全模态模型。模型不仅学会“回答正确”，还进一步学会在真实场景中判断：该不该回应、何时回应，以及回应谁。

　　校对： 祝甜婷