在科技飞速发展的当下，人形机器人正逐渐从实验室走向实际应用场景，然而，交互生硬的问题却如同一道难以跨越的沟壑，阻碍着它们真正融入人类生活。近日，具身全模态理解权威榜单DailyOmni公布了最新评测结果，智元自研的WITA - Omni Preview以85.21分的综合成绩一举登顶，超越了千问、Gemini、豆包、英伟达等18款国内外主流模型，在八项细分指标中更是斩获六项第一，这一成绩为解决人形机器人交互难题带来了新的曙光。
在人工智能领域，大模型榜单层出不穷，但DailyOmni榜单却独树一帜。常规的多模态榜单多聚焦于图文问答，主要考验模型对图片内容的识别以及文字问题的回答能力，更适用于线上内容消费场景。而DailyOmni的测试集则大量采用开放环境的真实音视频素材，着重考核模型三个关键能力：能否将画面中的人物与声音精准对应，能否理清事件发生的先后顺序，以及能否结合视听信息进行跨模态推理。这就好比普通榜单考的是“看图说话”，而DailyOmni考的是“察言观色”，更贴近真实社交场景中人类所需的感知能力，也是人形机器人在家庭、工厂、公共服务等场景中最为刚需且欠缺的感知基础。
过去，模块化机器人方案存在诸多弊端。视觉、语音、决策分属不同模块，数据在多个系统间流转，不仅延迟高，还常常出现“声画错位”的现象。例如，画面中的人已经移动到左边，语音识别却还停留在上一个指令，机器人的反应总是慢半拍。在多人同时说话的场景下，机器人更是难以精准定位交互对象，经常答非所问。DailyOmni榜单也因此被业内视为具身智能感知能力的“试金石”，智元WITA - Omni能够登顶，意味着在机器人急需的视听时序理解能力上占据了领先地位。
WITA - Omni之所以能在时序推理方面表现出色，关键在于它采用了面向具身场景的三层架构：Thinker（思考） - Talker（说话） - Actor（动作），跳出了“把聊天大模型装进机器人”的传统思路。以往的机器人交互如同一条流水线，视觉模块处理画面，语音模块转写文字，大模型生成回答文本，最后运动控制模块转化为肢体动作和表情。各环节依次进行，前一步未完成，后一步就无法启动，不仅延迟高，各模块还容易“配合失误”，导致交互生硬。而WITA - Omni将感知、决策、表达整合到同一个端到端模型中，共享同一套认知状态。Thinker作为核心，将视觉、音频、文本统一映射到同一语义空间进行联合推理；在此基础上，Talker流式生成语音，Actor同步输出动作和表情，三者并行推进，共用同一时间轴，实现了“边想边说，边说边动”，与真人聊天状态更为接近。比如用户呼唤机器人名字时，它能一边顺着声音方向转头，一边开口应答，眼神和动作同步跟上；讲解物品时，手指指向位置和嘴里说的内容精准对应，避免了“指东说西”的错位感。这种一体化设计有效解决了行业长期存在的“交互割裂感”，在多人对话场景中，模型能通过声画同步判断说话者和目光方向，从而确定回应对象，不再对着空气作答；在持续交互中，也能判断何时倾听、何时插话，更符合人类社交习惯。
同样是多模态大模型，为何专门做具身的在时序交互上更具优势？答案在于数据和训练方法。普通公开音视频数据集大多仅标注画面和语音内容，如“说了什么、发生了什么”，却不会标注“何时回应、对谁回应、做什么表情动作”。用这类数据训练出的模型虽能答对问题，却不懂交互的“分寸感”，如同只会背书却不知聊天时机的人。为解决这一问题，智元构建了一套以人为中心的全模态数据集，完整保留真实交互场景中声音、画面、语言、动作、表情之间的时序关系，将人类社交的“节奏”融入训练数据。在此基础上，模型采用三阶段训练策略：先用监督微调打基础，让模型学会基础视听理解和表达；再用同策略蒸馏方式，使模型在“有额外信息辅助”和“无辅助”状态下对齐，提升复杂上下文推理精度；最后用强化学习优化交互决策，奖励信号不仅包括“答案正确”，还涵盖时间点、交互对象、是否主动回应等社交维度指标。这相当于教人社交，不仅要教说正确的话，还要教察言观色、把握时机，这也是WITA - Omni与普通全模态模型的核心区别，其训练目标从“回答准确”升级为“交互自然”。
随着人形机器人运动能力逐渐成熟，行业竞争重心正从“走得稳、抓得准”向“交互自然、融入人类场景”转移。此前在WAIC 2026上，多家厂商展出的人形机器人虽能完成行走、抓取、搬运等动作，但人机交互仍显生硬，多数停留在“指令 - 执行”初级阶段。不过，高质量具身交互训练数据稀缺仍是行业瓶颈。智元千小时级的专项数据集虽覆盖典型交互场景，但面对家庭、工厂等复杂多变的真实环境，数据的丰富度与泛化性还需在实际落地中持续扩充。
智元WITA - Omni登顶榜单，释放出一个重要行业信号：具身智能竞赛已从单维度运动能力比拼进入综合交互能力下半场。如今主流产品运动能力已达可用门槛，接下来谁能让机器人更自然融入人类环境，谁就能获得下一阶段入场券。从全球范围看，特斯拉Optimus、Figure 01等产品都在加速端到端多模态交互研发，试图让机器人从“执行命令的工具”变为“能协作的伙伴”。智元此次在具身全模态榜单上领跑，表明中国厂商在具身认知算法层面已进入全球第一梯队。对智元自身而言，WITA - Omni是其“三智一体”架构中交互智能的核心底座，后续将与运动智能、作业智能联动，支撑机器人在更多场景落地。但从榜单成绩到真实商用，还有漫长的工程化路径要走，算力成本能否降低、真实场景稳定性能否达标、量产时体验能否一致，都是比跑分更现实的考验。
