智元发布 WITA-Omni：行业首个具身全模态端到端交互大模型

智元机器人（AGIBOT）于 11 月 10 日发布 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。模型基于机器人本体感知数据训练，输入端除音视频外新增触觉和本体状态，输出端覆盖机器人动作与表情。 技术上，WITA-Omni 采用流式全双工架构，可边听、边想、边应、边动、边做表情，交互响应最快约 400 毫秒、平均约 600 毫秒，官方称较业内平均水平快近 3 倍。全模态拒识机制结合对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文判断是否回应，去掉唤醒词，并降低多人交谈与环境广播造成的误触发。模型支持上百种语言和方言免切换交流，可做流式同声传译和双向互译，还能在面部屏幕实时绘制内容进行可视化讲解。 情感表达方面，模型结合参数化面部表情、声音和肢体动作，可呈现开心、惊讶、悲伤等几十种情绪并区分强度。此前 7 月，WITA-Omni Preview 以 85.21 分登顶 DailyOmni 全模态理解榜单，超过千问、Gemini、豆包、英伟达等模型，并在八项细分指标中六项第一。