JawabanDipublikasikan25 sumber
Mengapa WITA-Omni AgiBot Meraih Skor 85,21 di Daily-Omni
AgiBot melaporkan WITA Omni Preview meraih akurasi rata rata 85,21% di Daily Omni serta posisi pertama atau bersama pertama pada enam dari delapan ukuran yang dilaporkan. Daily Omni menguji tanya jawab audio visual yang selaras secara waktu: hubungan antara suara, kejadian yang terlihat, urutan peristiwa, dan penala...
Diterbitkan olehDiedit dengan GPT-5.6 TerraGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- AgiBot melaporkan WITA Omni Preview meraih akurasi rata rata 85,21% di Daily Omni serta posisi pertama atau bersama pertama pada enam dari delapan ukuran yang dilaporkan.
- Daily Omni menguji tanya jawab audio visual yang selaras secara waktu: hubungan antara suara, kejadian yang terlihat, urutan peristiwa, dan penalaran lintas modalitas.
- Arsitektur Thinker–Talker–Actor AgiBot dirancang untuk menyelaraskan penalaran multimodal, ucapan streaming, gerakan, dan ekspresi, meski pengurangan latensi end to end belum dipublikasikan secara terukur.
AI Perintah
openai.comCreate a landscape editorial hero image for this Studio Global article: How did AgiBot’s WITA-Omni Preview full-modal model achieve a leading 85.21 score and six first-place results out of eight indicators on the. Article summary: AgiBot’s result is best understood as a strong benchmark outcome enabled by native audio-video temporal reasoning, not as independently proven evidence of superior real-world robot intelligence. Daily-Omni is designed to. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
AgiBot melaporkan bahwa WITA-Omni Preview mencapai skor rata-rata 85,21% pada benchmark penalaran audio-visual Daily-Omni. Model ini disebut memimpin enam dari delapan ukuran yang dilaporkan, melampaui sistem yang dievaluasi dari Qwen, Gemini, Doubao, dan NVIDIA. 1
18
23
Penjelasan paling masuk akal bukan semata-mata karena modelnya lebih besar. Desain dan fokus pelatihannya tampak sangat sesuai dengan hal yang diuji Daily-Omni: mengaitkan apa yang terlihat, apa yang terdengar, dan kapan keduanya terjadi.
Itu merupakan kemajuan penting untuk AI multimodal. Namun, skor benchmark ini belum menjadi bukti bahwa robot yang memakai model tersebut sudah andal secara luas di lingkungan sosial atau fisik yang terbuka dan tidak terstruktur.
Apa yang sebenarnya diuji Daily-Omni?
Daily-Omni adalah benchmark tanya-jawab audio-visual untuk mengukur penalaran multimodal dengan keselarasan waktu. Datasetnya mencakup 684 video kehidupan sehari-hari dan 1.197 pertanyaan pilihan ganda dalam enam jenis tugas. 17
27
Tantangannya bukan sekadar mengenali benda pada gambar atau menyalin ucapan. Model harus menentukan peristiwa visual mana yang terjadi bersamaan dengan suatu suara, memahami urutan kejadian, lalu memakai bukti dari audio dan video untuk menjawab pertanyaan. Tabel publik benchmark ini mencakup penyelarasan audio-visual, perbandingan, pemahaman konteks, urutan peristiwa, inferensi, penalaran, serta kategori video berdurasi 30 dan 60 detik. 20
23
Dengan kata lain, model perlu dapat membedakan kejadian yang secara visual tampak mirip tetapi memiliki suara berbeda—atau mengetahui apakah sebuah bunyi muncul sebelum, saat, atau setelah tindakan yang terlihat.
Mengapa pendekatan WITA-Omni cocok dengan benchmark ini
AgiBot menggambarkan WITA-Omni Preview sebagai model full-modal yang bersifat embodied-native, untuk memahami teks, gambar, audio, dan video secara bersama-sama. 5
9 Penekanan tersebut sejalan langsung dengan desain Daily-Omni, yang memberi nilai pada model yang mempertahankan hubungan antarmodalitas dan hubungan temporal, bukan memperlakukan audio serta video sebagai masukan yang terpisah.
17
20
Hasil yang dilaporkan sangat kuat khususnya pada penyelarasan audio-visual, perbandingan, urutan peristiwa, serta video 30 dan 60 detik. 1
18 Kategori-kategori itu memang berpotensi diuntungkan oleh representasi bersama mengenai apa yang terjadi, apa yang terdengar, dan kapan peristiwa itu berlangsung.
AgiBot dan sejumlah laporan juga menyebut pelatihan menggunakan puluhan juta jam data multimodal terbuka serta data milik perusahaan. Data tersebut ditujukan untuk mempertahankan ritme alami antara ucapan, gambar, gerakan, dan ekspresi. 5
6
9 Namun, informasi publik belum mencantumkan ukuran model, campuran data pelatihan lengkap, studi ablasi, pengaturan inferensi, maupun detail evaluasi yang dapat direproduksi secara independen. Karena itu, tidak tepat menyimpulkan bahwa skor 85,21 sepenuhnya disebabkan oleh satu pilihan teknis tertentu; penjelasan ini masuk akal, tetapi belum terbukti secara tuntas.
Thinker–Talker–Actor: penalaran, bicara, dan aksi secara paralel
AgiBot menjelaskan WITA-Omni dengan arsitektur Thinker–Talker–Actor, yang memperluas pola penalaran-dan-ucapan menjadi keluaran fisik serta ekspresif. 5
12
- Thinker menjalankan inferensi multimodal atas teks, gambar, suara, dan video untuk mempertahankan pemahaman atas situasi serta interaksi.
15
- Talker menghasilkan bahasa dalam bentuk ucapan streaming, sehingga sistem tidak harus menunggu seluruh respons selesai dirumuskan sebelum mulai berbicara.
8
9
- Actor menangani gerakan fisik dan keluaran ekspresif, termasuk gestur serta ekspresi wajah.
5
Tujuan desain yang dilaporkan adalah sinkronisasi: ucapan, tindakan, dan ekspresi dikoordinasikan pada satu linimasa, alih-alih dihasilkan oleh tahapan yang berdiri sendiri. 12
Mengapa satu linimasa dapat mengurangi kesan lambat
Dalam tumpukan robotika konvensional, alurnya kerap bersifat serial: persepsi menghasilkan interpretasi, sistem bahasa menyusun respons, perencana memilih tindakan, lalu lapisan animasi atau kontrol mengeksekusinya. Setiap perpindahan antartahap dapat menambah waktu tunggu dan membuat kata-kata, gestur, atau pergerakan robot terlihat tidak selaras.
Pendekatan Thinker–Talker–Actor yang paralel dimaksudkan untuk mengurangi pola berhenti-dan-menunggu tersebut. Ketika model masih menafsirkan perkataan, gerak tubuh, dan kondisi sekitar pengguna, sistem dapat mulai memberi respons verbal singkat sekaligus menjadwalkan ekspresi fisik yang sesuai. Secara prinsip, pendekatan ini dapat membuat giliran percakapan terasa lebih alami dan menyelaraskan apa yang dikatakan robot dengan cara robot bergerak.
Manfaat itu masih berupa rasionalitas arsitektural, bukan hasil pengukuran independen. Sumber yang tersedia menjelaskan keluaran yang tersinkronisasi, tetapi tidak menyediakan angka pengurangan latensi end-to-end. 12
Hubungannya dengan GE-Sim 2.0 dan perangkat keras robot
WITA-Omni merupakan satu lapisan dari tawaran AI berwujud (embodied AI) AgiBot yang lebih luas. GE-Sim 2.0 (Genie Envisioner-Sim 2.0) adalah simulator dunia berbasis video dengan loop tertutup untuk manipulasi robot. Dengan masukan bingkai riwayat multikamera dan lintasan aksi, model ini menghasilkan prediksi masa depan dari beberapa sudut pandang yang konsisten dengan perilaku robot yang ditentukan. Proyeknya menyatakan bahwa GE-Sim 2.0 dilatih ulang menggunakan data robot dunia nyata berskala besar, termasuk teleoperasi, interaksi kaya kontak, dan penerapan kebijakan langsung pada robot. 11
Secara konseptual, ketiga komponen tersebut menjalankan peran yang berbeda:
- Simulasi dunia: GE-Sim 2.0 dapat memodelkan kemungkinan hasil suatu aksi untuk evaluasi dan pengembangan kebijakan loop tertutup.
11
- Interaksi multimodal: WITA-Omni dapat menafsirkan konteks audio-visual, menalar, berbicara, dan mengoordinasikan perilaku ekspresif.
12
- Perwujudan fisik: perangkat keras robot menyediakan sensor dan aktuator agar sistem dapat menangkap keadaan dunia dan bertindak di dalamnya.
AgiBot juga menyatakan bahwa GE-Sim 2.0 memimpin benchmark WorldArena. Namun, peringkat itu adalah klaim perusahaan dalam materi yang tersedia dan perlu dinilai terpisah dari hasil Daily-Omni. 4
36
Arti skor 85,21—dan batasannya
Hasil Daily-Omni adalah bukti yang berguna bahwa WITA-Omni tampil baik pada kelas tugas penalaran temporal audio-video yang spesifik. Kemampuan untuk menghubungkan ucapan, suara lingkungan, tindakan yang terlihat, dan waktu memang relevan bagi interaksi manusia-robot. 17
27
Namun, skor benchmark tidak serta-merta membuktikan kesiapan penerapan di dunia nyata. Skor itu tidak secara langsung mengukur keselamatan kontrol robot, ketahanan manipulasi benda, pemulihan dari kesalahan, perencanaan jangka panjang, kepantasan sosial di berbagai budaya, atau keandalan dalam kondisi yang benar-benar asing.
Kesimpulan paling tepat adalah: keunggulan WITA-Omni yang dilaporkan konsisten dengan model yang dirancang untuk pemahaman dan ekspresi multimodal tersinkronisasi. Tetapi, untuk mengubah keunggulan tersebut menjadi robot yang benar-benar dapat dipercaya di ruang sosial yang tidak terstruktur, masih dibutuhkan bukti di luar Daily-Omni.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Mengapa WITA-Omni AgiBot Meraih Skor 85,21 di Daily-Omni"?
AgiBot melaporkan WITA Omni Preview meraih akurasi rata rata 85,21% di Daily Omni serta posisi pertama atau bersama pertama pada enam dari delapan ukuran yang dilaporkan.
Apa poin penting yang harus divalidasi terlebih dahulu?
AgiBot melaporkan WITA Omni Preview meraih akurasi rata rata 85,21% di Daily Omni serta posisi pertama atau bersama pertama pada enam dari delapan ukuran yang dilaporkan. Daily Omni menguji tanya jawab audio visual yang selaras secara waktu: hubungan antara suara, kejadian yang terlihat, urutan peristiwa, dan penalaran lintas modalitas.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Arsitektur Thinker–Talker–Actor AgiBot dirancang untuk menyelaraskan penalaran multimodal, ucapan streaming, gerakan, dan ekspresi, meski pengurangan latensi end to end belum dipublikasikan secara terukur.
Sumber
roboticsandautomationnews.comAGIBOT's foundation model tops benchmark test for audio- ...
finance.yahoo.comAGIBOT's WITA-Omni Preview Tops Daily-Omni Audio ...
lliar-liar.github.ioDaily-Omni: Towards Audio-Visual Reasoning with Temporal ...
arxiv.orgDaily-Omni: Towards Audio-Visual Reasoning with Temporal ... - arXiv