智元发布WITA-Omni 号称「行业首个具身全模态端到端交互大模型」

技术 发布于:2026-11-11 16:34:13

11月10日,智元机器人正式发布WITA-Omni(硅光动语全模态大模型),并称之 “行业首个具身全模态端到端交互大模型”。

过去,机器人主要通过摄像头、麦克风获取外部信息,再通过语言模型理解指令、生成回答,最终交给执行系统完成动作。WITA-Omni则进一步把触觉、机器人本体状态等信息纳入输入体系,同时将语音、表情、肢体动作等纳入输出体系,让机器人的感知和表达拥有更多维度。

这意味着机器人开始尝试理解一个更加完整的物理世界,比如人类交流时,往往会结合对方的表情、动作、语气和所处环境判断对话意图;机器人也需要具备类似的综合判断能力。有人向它说话,它需要判断对方是否在与自己交流;有人伸手,它需要理解这是握手、指引,还是其他动作;当机器人与人握手时,触觉和自身关节状态也能帮助它判断接触力度与动作反馈。

这些看似简单的互动,实际上涉及视觉、听觉、语言、空间感知、运动控制等多个系统的协同。单纯让机器人能够听懂人说话、回答问题,距离真正自然的人机交互还有相当大的距离。

WITA-Omni另一个值得关注的技术特点,是采用流式全双工架构,支持边听、边思考、边回应、边行动。根据智元公布的数据,其交互响应最快约400毫秒,平均约600毫秒,较业内平均水平快近3倍。同时,模型具备全模态拒识能力,可以结合声音、唇动、姿态、语义和上下文,判断当前对话是否与自己有关,减少多人交流、环境广播等场景下的误触发。

这实际上解决了机器人进入真实生活场景时一个容易被忽略的问题:它需要知道什么时候应该说话,也需要知道什么时候应该保持安静。对于服务机器人而言,持续监听、主动判断和适时回应,远比单纯增加语言知识更加重要。

此外,WITA-Omni还强化了机器人的情绪表达能力。通过声音、面部表情和肢体动作协同,机器人能够呈现开心、惊讶、悲伤等多种情绪,并根据具体情境调整表达强度。再加上百余种语言及方言的交流支持,其应用场景也从简单的问答进一步延伸至导览、接待、教育和商业服务。

从智元的整体技术布局来看,WITA-Omni还有着更明确的定位。今年10月底,智元发布GO-3 Preview具身基座模型,重点探索机器人的推理、预测和动作执行能力;WITA-Omni则负责解决人与机器人之间的实时交互问题。两者分别向作业智能和交互智能延伸,构成智元具身智能体系的重要组成部分。

机器人要真正走进工厂、商场、酒店乃至家庭,除了拥有一副能干活的身体,还需要拥有一套能够理解物理世界、与人自然交流的交互系统。智元正在尝试补上这块拼图。

+1
评论 收藏