【太平洋科技快讯】7月28日，智元官方公众号宣布，智元自研的具身原生全模态大模型WITA-Omni Preview，凭借领先的音视频联合理解与时序推理能力，以85.21分综合成绩登顶具身全模态理解权威榜单DailyOmni榜首，超过千问、Gemini、豆包、英伟达等国内外领先模型，并在八项细分指标中的六项取得第一。
据了解，DailyOmni是业内公认衡量音视频时序匹配、跨模态联合推理能力的第三方权威榜单。和常规图文、短视频评测任务不同，榜单采用大量真实开放环境音视频素材，重点考核模型融合视觉、音频信息，分辨声画对应关系、事件时序与跨模态语义的能力，高度贴合人形机器人在真实环境人机交互所需的感知核心能力。
架构创新：拓展ThinkerCTalker范式，新增Actor实现具身交互
对具身机器人而言，感知理解与动作反馈并非割裂流程，而是连贯的物理交互过程。 WITA-Omni没有简单将通用对话模型移植至机器人，而是把肢体动作、面部表情提升至与语音同等优先级输出，打造端到端原生具身交互架构ThinkerCTalkerCActor。
性能优势：分层数据集搭配三阶段训练策略
WITA-Omni的性能领先并非依靠盲目扩充模型参数，而是来自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整合千万小时级自有与开源多模态数据，强化图文基础能力，构建可完成视听联合推理的全模态底座。
模型采用SFT-OPD-RL三段式训练流程，让模型自主判断场景中该不该回应、何时回应、对谁回应。
行业价值：端到端架构推动具身智能落地
智元此次登顶DailyOmni榜单，证明WITA-Omni在物理世界视听时序理解任务具备差异化优势，也是行业首款面向机器人原生打造的端到端多模态交互大模型。
该模型的突破不止拓展模态覆盖范围，而是让机器人在统一时序、统一认知框架下同步完成感知、决策、输出。
扫一扫关注微信
