首页 > 业界资讯 > 正文

机器人赛道开始卷大脑了!智元具身大模型登顶DailyOmni权威榜单

【太平洋科技快讯】7月28日,智元官方公众号宣布,智元自研的具身原生全模态大模型 WITA-Omni Preview,凭借领先的音视频联合理解与时序推理能力,以 85.21 分综合成绩登顶具身全模态理解权威榜单 DailyOmni 榜首,超过千问、Gemini、豆包、英伟达等国内外领先模型,并在八项细分指标中的六项取得第一。

图片来源:智元官方公众号,下同

据了解,DailyOmni 是业内公认衡量音视频时序匹配、跨模态联合推理能力的第三方权威榜单。和常规图文、短视频评测任务不同,榜单采用大量真实开放环境音视频素材,重点考核模型融合视觉、音频信息,分辨声画对应关系、事件时序与跨模态语义的能力,高度贴合人形机器人在真实环境人机交互所需的感知核心能力。

架构创新:拓展 Thinker–Talker 范式,新增 Actor 实现具身交互

对具身机器人而言,感知理解与动作反馈并非割裂流程,而是连贯的物理交互过程。 WITA-Omni 没有简单将通用对话模型移植至机器人,而是把肢体动作、面部表情提升至与语音同等优先级输出,打造端到端原生具身交互架构 Thinker–Talker–Actor。

性能优势:分层数据集搭配三阶段训练策略

WITA-Omni 的性能领先并非依靠盲目扩充模型参数,而是来自一套围绕具身全模态交互构建的分层 数据体系与针对性训练方法。

在中训练阶段,WITA-Omni 整合千万小时级自有与开源多模态数据,强化图文基础能力,构建可完成视听联合推理的全模态底座。

模型采用 SFT-OPD-RL 三段式训练流程,让模型自主判断场景中该不该回应、何时回应、对谁回应。

行业价值:端到端架构推动具身智能落地

智元此次登顶 DailyOmni 榜单,证明 WITA-Omni 在物理世界视听时序理解任务具备差异化优势,也是行业首款面向机器人原生打造的端到端多模态交互大模型。

该模型的突破不止拓展模态覆盖范围,而是让机器人在统一时序、统一认知框架下同步完成感知、决策、输出。

网友评论

热门IT产品
  1. ¥1699
    华为畅享90 Pro Max
    ·
  2. ¥4699
    HUAWEI Mate 80
    ·
  3. ¥5999
    苹果iPhone17
    ·
  4. ¥8999
    苹果iPhone17 Pro
    ·
  5. ¥2399
    iQOO Z11 Turbo
    ·
  6. ¥1999
    vivo Y600 Pro
    ·
  7. ¥3599
    荣耀500 Pro
    ·
  8. ¥3499
    一加Ace 6至尊版
    ·
  9. ¥1399
    荣耀X70
    ·
  10. ¥2199
    REDMI Turbo 5 Max
    ·
为您推荐
  • 相关阅读
  • 业界资讯
  • 手机通讯
  • 电脑办公
  • 新奇数码
  • 软件游戏
  • 科学探索