AgiBots WITA-Omni Preview opnåede ifølge de offentliggjorte resultater en gennemsnitlig score på 85,21 % på lyd- og videoræsonneringsbenchmarken Daily-Omni. Modellen førte seks af de otte rapporterede målinger mod evaluerede systemer fra blandt andre Qwen, Gemini, Doubao og NVIDIA. 
1
18
23
Den mest nærliggende forklaring er ikke blot modelstørrelse. WITA-Omni er beskrevet som en model, der er trænet og indrettet til at forstå sammenhængen mellem det, der ses, det, der høres, og hvornår det sker – præcis den kombination Daily-Omni afprøver.
Det er et relevant fremskridt for multimodal AI, men det er ikke i sig selv dokumentation for, at en robot med modellen er bredt pålidelig i åbne sociale eller fysiske miljøer.
Hvad måler Daily-Omni?
Daily-Omni er en benchmark til audiovisuel spørgsmål-og-svar, der fokuserer på tidsmæssigt afstemt multimodal ræsonnering. Datasættet rummer 684 videoer fra hverdagssituationer og 1.197 multiple choice-spørgsmål fordelt på seks opgavetyper. 
17
27
Det afgørende er ikke alene at genkende en genstand i et enkelt videobillede eller skrive tale ud. Modellen skal afgøre, hvilke visuelle og lydlige hændelser der finder sted samtidig, udlede deres rækkefølge og bruge begge typer information til at besvare spørgsmålet. Den offentlige resultatoversigt omfatter blandt andet lyd-billede-afstemning, sammenligning, kontekstforståelse, hændelsesrækkefølge, inferens, ræsonnering samt videoklip på 30 og 60 sekunder. 2023
En model kan altså skulle skelne mellem to handlinger, der ser ens ud, men lyder forskelligt – eller opdage, at en lyd kom før, under eller efter en synlig bevægelse.
Hvorfor passer WITA-Omni godt til netop denne test?
AgiBot beskriver WITA-Omni Preview som en kropsligt orienteret, fuldmodal model til fælles forståelse af tekst, billeder, lyd og video. 
5
9 Det matcher Daily-Omnis grundidé: Benchmarken belønner modeller, som fastholder relationer på tværs af modaliteter og over tid, frem for at behandle lyd og video som to adskilte input. 1720
Det rapporterede resultat var særligt stærkt inden for lyd-billede-afstemning, sammenligning, hændelsesrækkefølge og klip på 30 og 60 sekunder. 118 Det er netop områder, hvor en fælles repræsentation af hvad der skete, hvad der blev hørt, og hvornår det skete kan være en fordel.
AgiBot og omtaler af modellen peger desuden på træning med titals millioner timer af åbne og proprietære multimodale data, herunder data, der skal bevare den naturlige timing mellem tale, billede, bevægelse og ansigtsudtryk. 5
69 Men der er ikke offentliggjort oplysninger om modelstørrelse, fuld træningssammensætning, ablationsstudier, inferensindstillinger eller uafhængigt reproducerbare evalueringsdetaljer. Derfor kan man ikke med sikkerhed udpege ét bestemt teknisk valg som årsagen til scoren på 85,21. Forklaringen er plausibel, men ikke bevist.
Thinker–Talker–Actor: Parallel organisering af interaktion
AgiBot beskriver WITA-Omni med en Thinker–Talker–Actor-arkitektur, som udvider et velkendt mønster med ræsonnering og tale til også at omfatte fysiske og udtryksmæssige output. 5
12
- Thinker udfører multimodal inferens på tværs af tekst, billeder, lyd og video og fastholder en fortolkning af situationen og interaktionen.
15
- Talker producerer sprog som løbende tale i stedet for at vente på et fuldt færdigt svar.
89
- Actor håndterer bevægelser og udtryksmæssige output, herunder gestik og ansigtsudtryk. 58
Det erklærede mål er synkronisering: Tale, handling og ansigtsudtryk skal koordineres på én tidslinje i stedet for at blive produceret som isolerede trin. 12
Hvorfor en fælles tidslinje kan få robotten til at virke hurtigere
En traditionel robotarkitektur kan være overvejende seriel: Først tolkes sanseindtryk, derefter formulerer et sprogsystem et svar, så vælges en handling, og til sidst udfører en animations- eller kontrolkomponent den. Hver overlevering kan skabe ventetid og få robotters ord, gestik og bevægelser til at fremstå usammenhængende.
En parallel Thinker–Talker–Actor-model er tænkt som et alternativ til en del af denne stop-og-vent-adfærd. Mens modellen fortsat tolker en persons ord, bevægelser og omgivelser, kan den begynde på en mundtlig anerkendelse og planlægge et passende fysisk udtryk. I princippet kan det give mere naturlig turtagning og bedre sammenhæng mellem det, robotten siger, og den måde, den bevæger sig på.
Fordelen er dog arkitektonisk begrundet snarere end uafhængigt målt: De tilgængelige kilder beskriver synkroniserede output, men angiver ingen konkret reduktion i ende-til-ende-forsinkelse. 12
Samspillet med GE-Sim 2.0 og robothardware
WITA-Omni er ét lag i AgiBots bredere satsning på kropslig AI. GE-Sim 2.0 (Genie Envisioner-Sim 2.0) er en lukket videoverdenssimulator til robotmanipulation. Ud fra historiske billeder fra flere kameravinkler og en handlingsbane genererer den fremtidige forløb fra flere vinkler, som følger den angivne robotadfærd. Projektet oplyser, at modellen er genoptrænet på store mængder data fra rigtige robotter, herunder teleoperation, kontaktintensive interaktioner og robotbaseret policy-udrulning. 
11
De tre dele kan forstås sådan:
- Verdenssimulering: GE-Sim 2.0 kan modellere mulige konsekvenser af handlinger til evaluering og lukket kredsløbsbaseret policy-arbejde. 11
- Multimodal interaktion: WITA-Omni kan fortolke lyd- og videokontekst, ræsonnere, tale og koordinere udtryksfuld adfærd. 512
- Fysisk krop: Robothardware leverer de sensorer og aktuatorer, der er nødvendige for at registrere og handle i den virkelige verden.
AgiBot har også oplyst, at GE-Sim 2.0 fører WorldArena-benchmarken. Den placering er imidlertid en virksomhedspåstand i det tilgængelige materiale og bør vurderes adskilt fra Daily-Omni-resultatet. 
4
36
Hvad dokumenterer en score på 85,21 – og hvad dokumenterer den ikke?
Daily-Omni-resultatet er nyttig evidens for, at WITA-Omni klarer en klart afgrænset type opgaver med tidsafhængig lyd- og videoforståelse godt. For menneske-robot-interaktion er det relevant, fordi systemet skal kunne koble tale, lyde i omgivelserne, synlige handlinger og timing. 1727
Men en benchmarkscore dokumenterer ikke automatisk driftssikker anvendelse i virkeligheden. Den måler ikke i sig selv sikker styring, robust manipulation, evnen til at rette fejl, planlægning over lange forløb, social passende adfærd på tværs af kulturer eller pålidelighed under ukendte forhold.
Den mest præcise konklusion er derfor snæver: WITA-Omnis rapporterede føring stemmer overens med en model, der er designet til synkroniseret multimodal forståelse og udtryk. At omsætte den fordel til troværdige robotter i ustrukturerede sociale miljøer kræver dokumentation, der rækker langt ud over Daily-Omni.
