全球第一，智元 WITA-Omni Preview 具身大模型登頂 DailyOmni 全模態理解榜單

2026年7月28日 19:08

重點摘要

站內 AI 整理稿

首頁 > 智能時代>人工智能全球第一，智元 WITA-Omni Preview 具身大模型登頂 DailyOmni 全模態理解榜單 2026/7/28 19:08:34 來源：IT之家作者：遠洋責編：遠洋評論： IT之家 7 月 28 日消息，據智元 AGIBOT 微信公眾號消息，近日，具身全模態理解權威榜單 DailyOmni 最新評測結果揭曉，智元自研的具身原生全模態大模型 WITA-Omni Preview，憑藉領先的音視頻聯合理解與時序推理能力，以 85.21 分綜合成績登頂榜首，超過千問、Gemini、豆包、英偉達等國內外領先模型，並在八項細分指標中的六項取得第一。

據IT之家瞭解，DailyOmni 是行業公認的檢驗音視頻時序對齊、跨模態聯合推理能力的權威第三方榜單。不同於面向圖文、短視頻的常規評測任務，該榜單大量採用真實開放環境音視頻素材，核心考驗模型融合視覺畫面、環境音頻信息，精準識別聲畫對應關係、事件先後順序及跨模態語義的綜合能力，高度貼合人形機器人在真實物理空間開展人機交互所需的核心感知能力。

官方稱，WITA-Omni 領先的關鍵，在於它並不是簡單地把聊天模型“裝進”機器人，而是將物理動作和表情提升為與語音並列的一級輸出，用一個原生端到端模型統一驅動感知、決策與表達，從 Thinker–Talker 範式上進一步擴展出面向具身輸出的 Thinker–Talker–Actor 架構。WITA-Omni 的領先並非單純依靠模型規模，而是來自一套圍繞具身全模態交互構建的分層數據體系與針對性訓練方法。在中訓練階段，WITA-Omni 使用總計千萬小時級的開源和自有多模態數據，將強文本、視覺底座進一步升級為能夠“聽得見、看得懂，並進行音畫聯合推理”的全模態模型。

此外，公開音視頻數據通常缺少真實交互中的輪次切換、響應時機、動作和表情信息，難以直接訓練端到端具身交互模型。為此，智元構建了以人為中心、面向真實交互場景的大規模高質量全模態數據集，完整保留聲音、畫面、語言、動作和表情之間天然的時序關係。

原始來源：IT之家 ↗

查看原始來源

智東西生成式AI

曝字節訓10億參數大模型，或超Mythos 5，張一鳴、梁汝波先後發聲

字節跳動正在訓練一個參數量高達10萬億的AI模型，規模可能超越Anthropic的Mythos 5。創辦人張一鳴在內部會議中強調編程的關鍵地位，並反對模型蒸餾，認為這只能複製而非超越對手。字節跳動在AI領域持續加大投入，同時在產品端與訓練端採取雙線進攻策略。

剛剛閱讀分析

IT之家生成式AI

AI 需求擠爆雲計算，消息稱 AWS 要求工程師關閉閒置服務器減少資源浪費

因AI需求導致算力緊缺，亞馬遜AWS要求工程師關閉閒置的EC2實例，以減少資源浪費。數據顯示約65%的EC2實例在30天內平均CPU利用率低於20%，AWS因此升級計算優化器自動標記低使用率虛擬機。此外，AWS過去一年新增3.8吉瓦電力容量，仍難以應對GPU雲端實例的龐大需求。

剛剛閱讀分析

36氪生成式AI

六巨頭定AI插件新標準，撞臉Claude，Anthropic沒上桌

六大科技巨頭（AWS、Anysphere、GitHub、微軟、OpenAI、Vercel）聯合發布AI智能體插件統一開放規範Agent Plugins 1.0.0，旨在統一插件打包格式，減少開發者重複勞動。該規範的結構與Anthropic的Claude Code插件系統高度相似，但Anthropic並未參與制定，而是繼續經營自己的封閉生態。

15 分鐘前閱讀分析

鈦媒體生成式AI

DeepSeek重啟融資，三年市值對齊騰訊？

DeepSeek重啟第二輪融資，以5000億元人民幣估值尋求籌集80億美元，但網傳一份由小型醫藥私募發起的專項基金募資材料引發網友質疑，後經DeepSeek員工證實部分數據屬實。該公司近期宣布API大幅漲價，可能打破其以低價換規模的估值邏輯，面臨客戶流失風險。市場關注其能否從「價格屠夫」轉型為價值提供商，以及三年內市值能否對齊騰訊等巨頭。

1 小時前閱讀分析