智元发布行业首个具身全模态端到端交互大模型 WITA-Omni

智元正式发布行业首个具身全模态端到端交互大模型 WITA-Omni（硅光动语全模态大模型）。该模型基于机器人本体感知数据深度训练，除音视频输入输出外，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。依托流式全双工架构，它可边听、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，较业内平均水平快近 3 倍。其全模态拒识功能无需唤醒词即可实现全程自然对话，结合多维度信息决策是否回应，大幅降低干扰场景下的误触发。该模型支持上百种语言和方言免切换自由交流，可实现流式同声传译及双向互译，情感表现力拟人，能呈现不同强度的几十种情绪，还可将相关内容在面部屏幕实时可视化，同时能持续感知周边变化，在恰当时机主动发起互动。此前其预览版模型曾登顶 DailyOmni 全模态理解榜单，综合成绩超过多款国内外领先模型，在八项细分指标中拿下六项第一。