近日，国际具身全模态理解权威榜单DailyOmni更新最新评测结果：智元自研的具身原生全模态大模型WITA-Omni Preview以85.21分综合成绩登顶榜首，超过Gemini 3.1 Pro Preview、Qwen3.5-Omni-Plus、Doubao Seed 2.0 Lite、英伟达等国内外主流模型，并在八项细分指标中的六项取得第一。

　　DailyOmni榜单是什么？

　　要了解这85.21分为什么重要，得先弄明白DailyOmni在考什么。

　　在业内，这份榜单被视作具身智能感知能力的"试金石"。原因很简单：人形机器人进商场、进展馆、进地铁站，面对的就是这种"多人、开放、持续变化"的真实物理空间。机器人必须一边观察环境、一边接收声音；一边组织语言、一边配合动作和表情——它必须进一步判断：是否应该回应、什么时候回应，以及正在与谁交互。

　　常规的AI大模型榜单多以图文问答为主——给张图，回答相关问题，更偏向线上内容消费。而DailyOmni的测试集大量采用开放环境的真实音视频素材，核心考核三件事：能不能把画面里的人和他发出的声音对应上；能不能理清事件发生的先后顺序；能不能结合视听信息做跨模态推理。

　　论文数据显示，DailyOmni包含几百段真实日常场景短视频、上千道选择题，覆盖音视频对齐、上下文理解、事件序列、因果推理、跨模态一致性等六大任务。

　　从DailyOmni当前公开榜单看，闭源模型里Gemini 2.5 Flash跑分为73.06%，开源模型里Qwen3.5-Omni-Plus为84.68%。而这次WITA-Omni的85.21%不仅超越了这些主流模型，还在八项细分指标中拿下了六项冠军。

　　三层架构，告别“流水线式拼接”

　　长久以来，人形机器人的交互系统通常采用模块化拼接方案：摄像头视觉模块、麦克风音频模块、对话大模型、运动控制模块依次串联执行，形成一条串行流水线。

　　机器人流程为“先看画面→再转音频文字→生成回答→最后输出动作表情”，步骤割裂、存在明显延迟，经常出现语音说完，抬手、转头动作才姗姗启动，多人场景下甚至无法锁定交互对象，适配真实环境的能力存在先天短板。

　　智元WITA-Omni的核心差异化在于跳出“通用大模型外挂机器人动作模块”的传统路径，推出行业首个面向具身场景的Thinker–Talker–Actor三层原生端到端架构，将肢体动作、面部表情提升至与语音、文本同等层级的一级输出，所有模态共享统一认知表征与同一时间轴，实现感知、思考、表达同步并行。

　　也就是说，它没有简单地把聊天模型"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，三层架构分工如下：

　　·Thinker（思考）：多模态推理核心，把文本、图像、音频、音视频映射到统一表示空间，做跨模态联合推理和高层交互决策；

　　·Talker（说）：以Thinker的隐状态为条件，流式生成自然语音；

　　·Actor（动）：由动作头与表情头组成，把机器人动作与表情生成为与语音并列的一级输出。

　　在这套架构下，机器人可以做到“边观察、边思考、边说话、边做动作”，模拟人类实时同步的沟通状态。这也能解决市面上大多数人形机器人交互僵硬、机械感强的问题。

　　具身智能落地的“临门一脚”

　　在业内观察者看来，智元在DailyOmni榜单上的突破，揭示了具身智能行业的下一个竞争焦点：交互智能。

　　过去几年，行业竞争主要集中在运动能力（跑多快、跳多高）和作业能力（负载多大、精度多高）。然而，当机器人真正进入商业服务、公共服务等与人高频互动的场景时，能否进行自然、流畅、符合社交礼仪的交互，成为了决定其能否被市场接受的关键。

　　对整个具身智能产业而言，WITA-Omni的价值不止单一榜单成绩，更在于打通了机器人“看、听、说、动、表情”全模态协同链路，将传统分模块流水线式交互，升级为统一认知、同步输出的连续生成过程，让机器人从单纯执行指令的机械工具，转向具备在场感、自主交互意识的硅基协作伙伴，这也是人形机器人落地商用场景、创造增量生产力的核心基础。

　　可以预见，随着交互能力的不断进化，人形机器人将不再仅仅是执行指令的冰冷机器，而是能够理解人类意图、提供情绪价值的智能伙伴。这或许是具身智能真正融入人类社会的“临门一脚”。

　　目前，通用大模型厂商均在加速补齐具身短板，千问、Gemini、豆包持续迭代视频音频时序推理能力，英伟达依托硬件生态布局机器人全栈方案，未来赛道竞争将是“通用大模型横向拓展”与“机器人原生模型纵向深耕”的双线对抗，榜单跑分只是阶段性标尺，真实场景规模化落地才是最终检验标准。