🌀 AIBB-Flywheel

新闻数据飞轮
← 返回文章列表
ithome 科技 采集 2026-11-10T16:13:23+00:00

智元发布具身全模态大模型WITA-Omni

原始标题: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

来源
ithome
发布时间
2026-11-10T11:24:05
采集批次
2026-11-10-16
字数
580
URL 指纹
b2fbb855fcb5be0a

📌 AI 总结(160 字)

智元AGIBOT发布WITA-Omni,定位为行业首个具身全模态端到端交互大模型。该模型融合音视频、触觉、本体状态等信息,并输出动作与表情,可边听、边思考、边回应和执行。官方称其最快响应约400毫秒、平均约600毫秒,支持百种语言、流式同声传译、免唤醒词对话及主动交互,旨在提升机器人在复杂环境中的理解、表达和行动能力。
📄 正文(580 字)
智元AGIBOT宣布正式发布WITA-Omni全模态大模型。官方介绍称,这是行业首个具身全模态端到端交互大模型,基于机器人本体感知数据进行深度训练,可在音视频输入输出之外,感知触觉与本体状态,并生成机器人动作和表情,为机器人构建面向物理世界的交互能力。

模型采用流式全双工架构,能够边听、边思考、边回应、边行动并同步做表情。其最快交互响应约为400毫秒,平均约为600毫秒,较业内平均水平快近3倍,可减少传统串行处理产生的等待时间。

全模态拒识技术使机器人无需唤醒词即可自然对话。系统会结合对话朝向、视频、音频、声纹、唇动、姿态、语义及上下文,判断当前发言是否需要回应,从而降低多人交谈或环境广播造成的误触发。WITA-Omni还支持上百种语言和方言的免切换交流,并可进行流式同声传译、方言传译和双向互译。

在情感表达方面,机器人可通过面部表情、声音和肢体动作呈现开心、惊讶、激动、悲伤、满意、痛哭、认真与自信等不同情绪及强度。当内容难以仅靠语言说明时,模型还能将信息实时呈现在面部屏幕上,帮助用户直观理解。

WITA-Omni可持续感知周边环境、用户状态及其变化,自主决策并在适当时机主动互动,例如迎接来宾、回应点赞以及挥手告别。官方此前披露,其预览模型以85.21分的综合成绩登顶DailyOmni全模态理解榜单,并在八项细分指标中的六项取得第一。