智元发布 WITA-Omni 具身全模态端到端交互大模型

智元正式推出 WITA-Omni 硅光动语全模态大模型，这是行业首个具身全模态端到端交互大模型，专门给人形机器人打造面向物理世界的交互大脑，和以往拼接式多模态模型不一样，它不是把聊天大模型直接装到机器人里面，而是把动作、表情和语音放在同一优先级，一套模型统一处理感知、思考、输出动作和对话。传统机器人交互大多是分段处理，先听语音转文字，再理解、生成回答，最后再驱动动作，整个流程是串行的，中间会丢失语气、情绪、环境时序信息，等待时间长，还需要唤醒词才能触发对话。WITA-Omni 用流式全双工架构，做到边听、边思考、边回话、边做动作、边出表情，交互响应最快 400 毫秒，平均 600 毫秒，比行业平均速度快接近 3 倍，还支持中途插话、打断交流，更贴近真人沟通的节奏。

输入输出能力

输入不再只有视频、音频，还可以接收机器人本体的触觉信号、本体姿态状态等机器人原生感知数据；输出除了语音，还能同步输出机器人肢体动作、面部表情，一句话配合对应的手势、眼神、姿态，实现完整的行为表达。

全模态拒识功能

不用唤醒词，机器人自动判断要不要回应。它会结合人的朝向、画面、声音、声纹、唇动、姿态、对话语义和上下文综合判断，多人聊天、旁边有广播杂音的时候，不容易乱触发，不会随便搭话。

核心架构

采用 Thinker–Talker–Actor 三模块架构。Thinker 负责跨模态理解和推理，把文本、图像、音频、触觉信息放到同一个表征空间；Talker 实时生成语音；Actor 专门输出动作和表情，三个模块共用一套时序状态，同步联动，而不是分开独立跑。

适用场景

主要面向人形机器人，适合服务接待、门店迎宾、家庭陪护、工业协同等场景，机器人可以一边听懂指令，一边配合转身、抬手、目光跟随等动作，不再只是单纯说话。

前期评测基础

WITA-Omni 的预览版本 WITA-Omni Preview 此前就在 DailyOmni 全模态榜单拿到 85.21 分，拿下榜单第一，八项细分指标里面六项第一，验证了它音视频时序对齐、跨模态时序推理的能力。

【相关 FAQ】

问题 1：WITA-Omni 和普通多模态大模型最大区别是什么？

回答 1：普通多模态大模型大多面向图文、短视频，输出以文字语音为主，WITA-Omni 是具身原生的端到端模型，面向机器人物理交互，动作、表情是和语音同级的原生输出，还支持触觉、本体状态这类机器人专属感知输入，专门适配物理世界交互。

问题 2：WITA-Omni 的全模态拒识是什么意思？

回答 2：WITA-Omni 的全模态拒识就是机器人不需要唤醒词，依靠视觉、声音、姿态、语义等多维度信息一起判断，识别是不是在和自己说话，过滤环境杂音、旁人闲聊，减少误触发。

问题 3：WITA-Omni 的交互时延表现怎么样？

回答 3：WITA-Omni 最快响应 400 毫秒，平均 600 毫秒，依托流式全双工端到端架构，告别串行分段处理，支持实时插话打断，交互节奏更接近真人对话。

问题 4：WITA-Omni 可以直接用在哪些设备上？

回答 4：WITA-Omni 是面向人形机器人打造的交互大脑，适配智元自家 AGIBOT 人形机器人，用于服务、迎宾、陪护、工业协同等机器人交互场景。

【参考资料】

[2026-11-10]（号称行业首个具身全模态端到端交互大模型，智元发布 WITA-Omni）IT 之家

[2026-11-10]（号称行业首个具身全模态端到端交互大模型！智元机器人发布 WITA-Omni）快科技

[2026-07-29]（全球第一，智元 WITA-Omni Preview 登顶 DailyOmni 全模态理解榜单）智元创新官网

[2026-07-30]（国产具身原生全模态大模型 登顶 DailyOmni 全模态理解榜单）央广网

【免责声明】

本文内容仅为行业资讯整理，模型性能、落地效果以官方实测、正式产品参数为准，不构成投资、采购建议。