智元全模態大模型，登頂全球第一！力壓谷歌英偉達，跑贏大廠

當一臺機器人站在人聲嘈雜的展廳裡，它能否從多人的交談中準確辨識出誰在對自己說話，判斷哪一句話需要回應；又能否在對方停頓的瞬間自然接話，被打斷後流暢續上；甚至一邊回答問題，一邊配合語氣做出恰當的手勢與表情？這些看似平凡的互動細節，其實正是機器人從「能動」邁向「能交流」的關鍵門檻，也是業界長久以來最難突破的瓶頸。長期以來，機器人領域陷入一個尷尬的悖論：單項能力不斷突破，像是視覺辨識、語音理解、自然語言生成、動作控制各自都有亮眼進展，但要將「看、聽、說、動」融為一體，形成像人類一樣連貫、即時、自然的互動，始終差臨門一腳。

這道鴻溝的本質在於交互能力跟不上——感知、推理、語音、動作各走各的路，從未真正在同一條時間軸上協同運作。近日，專注於具身智能的上海智元機器人公司，給出了一份極具分量的答案。智元自研的全模態大模型「WITA-Omni Preview」正式亮相，並在業界公認的具身全模態理解權威榜單 DailyOmni 上，以 85.21 分的綜合成績登頂全球第一。這項成績不僅超越中國本土的千問、豆包等大模型，也壓過 Google Gemini、NVIDIA 等國際巨頭，在八項細分指標中拿下六項第一。

這項突破的意義在於，一家專注於具身智能的企業，在「看懂環境、聽懂聲音、邊聽邊想、邊說邊動」這條核心交互能力主線上，跑到了通用大模型廠商的前面。過去，業界普遍認為大型語言模型或多模態模型在通用任務上表現優異，但要真正落地到機器人身上，需要解決「感知-決策-行動」的閉環問題。WITA-Omni 的出現，證明了專為物理世界交互設計的模型，反而能在這條賽道上取得領先。DailyOmni 榜單由北京大學與上海人工智慧實驗室等機構聯合發布，是目前最具權威的具身全模態理解評測基準。它涵蓋了視覺問答、語音理解、手勢辨識、情感感知、動作預測、多輪對話等多個維度，總共八項細分任務。

智元模型在六項任務中拿下第一，特別是在需要同時處理視覺與聽覺資訊的「跨模態情感理解」與「多模態語境推理」等項目上，分數明顯領先，展現了其將不同感官資訊即時融合的能力。WITA-Omni Preview 的核心技術路線，是讓機器人不再依賴各自獨立的模型來處理不同任務，而是建構一個統一的端到端全模態架構。這個架構能夠同時接收視覺、聽覺、本體感知等多種訊號，並在同一時間軸上進行聯合推理，輸出自然語言回應與動作指令。這意味著機器人可以在聽到一句話的同時，看到說話者的表情與手勢，並根據當下的場景狀態決定下一步行動。這項技術的突破，直接呼應了本文開頭描述的場景。

當機器人站在展廳裡，它不再需要先啟動語音辨識、再調用語言模型、最後查詢動作庫，而是能像人類一樣，在聽的同時就在看、在想、在準備回應。這種「即時全模態協同」的能力，正是機器人從工具變成夥伴的關鍵一步。值得一提的是，智元機器人早在 WITA-Omni 之前，就已推出自研的世界模型「Genie Envisioner-Sim」，用於模擬物理世界中的機器人行為。如今全模態大模型的問世，進一步補齊了「感知與理解」這塊拼圖。兩者結合，可望讓機器人在虛擬環境中訓練後，直接部署到真實世界，大幅降低開發成本與安全風險。

業界分析指出，全球機器人交互領域長期存在「模態鴻溝」，大多數廠商仍停留在將不同模態模型簡單拼接的階段，導致延遲高、反應僵硬、容錯率低。智元選擇從底層架構著手，打造統一的全模態模型，這是一條技術難度更高但潛力更大的路徑。如今在權威榜單上獲得六項第一，證明這條路已經走通。從市場格局來看，這項突破也讓智元在全球具身智能賽道中站穩腳跟。過去，外界對這家中國新創公司的印象多停留在「人形機器人硬體」上，但 WITA-Omni 的表現，讓外界看到其軟體與演算法實力同樣不容小覷。尤其在大廠紛紛投入通用大模型之際，智元選擇專注於物理世界交互的垂直領域，反而找到差異化優勢。

目前，WITA-Omni Preview 已開放部分測試，智元也透露後續將持續迭代，並計畫在今年內推出更完整的商用版本。隨著這套全模態模型逐步整合到智元的人形機器人產品中，機器人與人類之間的互動，將不再是冷冰冰的指令執行，而是有溫度、有節奏、有來有往的對話。對整個行業而言，這或許是機器人真正走入日常生活的關鍵一步。