智元发布WITA-Omni具身全模态大模型

智元通过官方公众号发布 WITA-Omni（硅光动语全模态大模型），称其为行业首个具身全模态端到端交互大模型。该模型在音视频输入之外增加触觉、本体状态等输入，输出包括机器人动作和表情，基于流式全双工架构实现“边听边想边动”。 智元称，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；还支持无需唤醒词的全模态拒识、上百种语言和方言的流式同声传译，以及几十种情绪的表情表达。上述性能与“行业首个”等说法均来自智元官方，尚无第三方验证。

• 待核实智元称 WITA-Omni 是行业首个具身全模态端到端交互大模型，尚无第三方或监管文件证实。
• 待核实智元称其交互响应平均约 600 毫秒、较业内平均快近 3 倍，未提供测试方法与第三方复现。
• 待核实智元称支持上百种语言和方言流式同声传译及几十种情绪表情表达，效果未经独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。