号称行业首个具身全模态端到端交互大模型，智元发布 WITA-Omni
根据介绍，WITA-Omni 基于机器人本体感知数据深度训练，除了音视频输入输出，还新增支持触觉、本体状态等输入，以及机器人动作、表情等输出，让机器人第一次拥有为物理世界而生的“交互大脑”。
11月10日晚间，智元通过“智元 AGIBOT”公众号对外宣布，WITA-Omni（硅光动语全模态大模型）正式发布。
官方称，这是行业内首个具身全模态端到端交互大模型。该模型依托机器人本体感知数据做了深度训练，在音视频输入输出之外，又加入了触觉、本体状态等输入，以及机器人动作、表情等输出——按官方的说法，机器人由此第一次有了为物理世界而生的“交互大脑”。它采用流式全双工架构，能边听、边想、边应、边动、边做表情，省掉了传统串行处理里的等待环节；交互响应最快约 400 毫秒，平均约 600 毫秒，比业内平均水平快近 3 倍。
全模态拒识则让交互不必再喊唤醒词，全程自然对话即可。系统会综合对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文，判断当前这句话要不要接。碰上多人交谈、环境广播这类干扰，误触发被大幅压低，机器人更懂得“看场合”。
WITA-Omni 能在上百种语言和方言之间免切换自由交流，配合全双工架构，还实现了流式同声传译（语言传译与方言传译）以及双向互译。
情感表达上，WITA-Omni 更接近真人。倾听时，它会用细腻的表情和自然的头部动作给出回应；开口时，参数化面部表情、有感染力的声音加上协调的肢体动作，能把开心、惊讶、激动、悲伤、满意、痛哭、认真与自信等几十种情绪生动呈现出来。每种情绪还有不同强度：同样是开心，可以浅浅一笑，也可以开怀大笑，对话因此更真实、更有温度。它还不只是能说、能看、能动，也能画。比如要讲一件复杂产品，或者给孩子讲个科普小知识，WITA-Omni 会自行判断，把一言难尽的内容实时显示在面部屏幕上，让人一眼看明白。
另外，WITA-Omni 能持续感知周围环境、用户状态及其变化，自己思考、决策并行动，在合适的时机主动发起互动。官方宣称，机器人也可以有自己的“小心思”：见到贵宾会主动欢迎、伸手握手；收到点赞会开心回应；看到用户挥手告别，也会马上挥手相送。
据IT之家此前报道，今年 7 月，WITA-Omni Preview 模型以 85.21 分的综合成绩登顶 DailyOmni 全模态理解榜单，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位列第一。
