智元发布具身全模态交互大模型 WITA-Omni

智元发布具身全模态大模型WITA-Omni，称交互响应最快约400毫秒，比业内快近3倍

智元机器人（AGIBOT）11 月 10 日晚间通过公众号发布 WITA-Omni（硅光动语全模态大模型），官方称其为“行业首个具身全模态端到端交互大模型”，这一说法暂无第三方验证。模型基于机器人本体感知数据训练，在音视频输入输出之外新增触觉、本体状态等输入，并支持机器人动作、表情等输出；官方称其采用流式全双工架构，可边听、边想、边应、边动，交互响应最快约 400 毫秒、平均约 600 毫秒，较业内平均水平快近 3 倍，但对比基准未公开。报道还称其支持上百种语言和方言免切换交流、无需唤醒词的全模态拒识，以及几十种可调强度的情绪表达；此前今年 7 月，其 Preview 版曾以 85.21 分登顶 DailyOmni 全模态理解榜单（据 IT 之家此前报道）。本次报道未提及 API、开源权重、定价或落地产品等可用性信息。

rss · IT之家 · 11月10日 11:24

「为何重要」 若官方描述兑现，这类端到端全模态模型可能把机器人“听—想—应—动”从串行流水线整合进单一模型，并首次把触觉、本体状态纳入交互输入，改变机器人厂商的交互技术栈选择；但 400/600 毫秒延迟、“快近 3 倍”与“行业首个”均为官方口径，尚无独立复测支撑，开发者能否实际接入也不明确。对普通用户，最直观的变化是无唤醒词的自然对话与带表情、动作的主动互动，不过这些能力何时出现在真实产品中，报道中没有给出安排。

查看原文 ↗