Câu trả lờiĐã xuất bản25 nguồn
Vì sao WITA-Omni của AgiBot đạt 85,21 điểm trên Daily-Omni?
AgiBot cho biết WITA Omni Preview đạt độ chính xác trung bình 85,21% trên Daily Omni và đứng đầu hoặc đồng hạng đầu ở 6 trong 8 chỉ số được báo cáo. Daily Omni đo năng lực trả lời câu hỏi từ video có âm thanh, đặc biệt là ghép đúng sự kiện nghe–thấy, xác định thứ tự diễn biến và suy luận liên phương thức.
Đăng bởiBiên tập bằng GPT-5.6 TerraHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- AgiBot cho biết WITA Omni Preview đạt độ chính xác trung bình 85,21% trên Daily Omni và đứng đầu hoặc đồng hạng đầu ở 6 trong 8 chỉ số được báo cáo.
- Daily Omni đo năng lực trả lời câu hỏi từ video có âm thanh, đặc biệt là ghép đúng sự kiện nghe–thấy, xác định thứ tự diễn biến và suy luận liên phương thức.
- Kiến trúc Thinker–Talker–Actor được mô tả là phối hợp suy luận, lời nói phát trực tuyến và biểu cảm/hành động trên cùng một trục thời gian, song chưa có số liệu công khai về mức giảm độ trễ đầu cuối.
Prompt AI
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
WITA-Omni Preview của AgiBot được báo cáo đạt 85,21% độ chính xác trung bình trên bài đánh giá suy luận nghe–nhìn Daily-Omni, đồng thời dẫn đầu hoặc đồng hạng đầu ở 6 trong 8 chỉ số trước các hệ thống được đánh giá của Qwen, Gemini, Doubao và NVIDIA. 1
18
23
Cách giải thích thận trọng nhất không phải là “mô hình lớn hơn nên thắng”, mà là định hướng thiết kế và huấn luyện của WITA-Omni khá khớp với điều Daily-Omni kiểm tra: kết nối những gì xuất hiện trong video, những gì được nghe và thời điểm chúng diễn ra.
Đây là một tín hiệu đáng chú ý cho AI đa phương thức, nhưng bản thân điểm benchmark chưa chứng minh robot dùng mô hình này có thể hoạt động an toàn, ổn định và phù hợp trong các tình huống xã hội hay vật lý mở.
Daily-Omni thực sự kiểm tra điều gì?
Daily-Omni là benchmark hỏi–đáp nghe–nhìn, được xây dựng để đánh giá suy luận đa phương thức có căn chỉnh theo thời gian. Bộ dữ liệu gồm 684 video về các tình huống đời sống và 1.197 câu hỏi trắc nghiệm thuộc 6 nhóm tác vụ. 17
27
Điểm khó không chỉ là nhận ra một vật trong khung hình hoặc chép lại lời nói. Mô hình cần xác định sự kiện hình ảnh nào xảy ra đồng thời với âm thanh nào, sự kiện nào xảy ra trước hay sau, rồi kết hợp cả hai nguồn bằng chứng để trả lời. Bảng kết quả công khai của benchmark gồm các hạng mục: căn chỉnh âm thanh–hình ảnh, so sánh, hiểu ngữ cảnh, trình tự sự kiện, suy luận, lập luận và các tập video dài 30 hoặc 60 giây. 20
23
Ví dụ, hệ thống có thể phải phân biệt hai hành động trông gần giống nhau nhưng tạo ra âm thanh khác nhau; hoặc nhận ra tiếng động xảy ra trước, trong hay sau một hành động nhìn thấy trên video.
Vì sao cách tiếp cận của WITA-Omni phù hợp với bài thi?
AgiBot mô tả WITA-Omni Preview là mô hình đa phương thức “native embodied” — tức được định hướng cho AI có thân thể vật lý — có thể hiểu chung văn bản, ảnh, âm thanh và video. 5
9 Trọng tâm này trùng với yêu cầu của Daily-Omni: benchmark thưởng cho mô hình giữ được mối quan hệ giữa các phương thức và diễn biến theo thời gian, thay vì xử lý âm thanh và video như hai đầu vào rời rạc.
17
20
Kết quả được báo cáo đặc biệt mạnh ở căn chỉnh nghe–nhìn, so sánh, trình tự sự kiện cùng các tập video 30 và 60 giây. 1
18 Đây chính là các hạng mục mà một biểu diễn chung về chuyện gì đã xảy ra, âm thanh gì được nghe và xảy ra khi nào về mặt nguyên lý có thể mang lại lợi thế.
AgiBot và các bài viết về mô hình cũng đề cập việc huấn luyện trên dữ liệu đa phương thức nguồn mở lẫn sở hữu riêng ở quy mô hàng chục triệu giờ, bao gồm dữ liệu nhằm giữ lại nhịp thời gian tự nhiên giữa lời nói, hình ảnh, chuyển động và biểu cảm. 5
6
9 Tuy nhiên, thông tin công khai không nêu đầy đủ kích thước mô hình, tỷ trọng từng nguồn dữ liệu huấn luyện, thí nghiệm loại trừ từng thành phần, thiết lập suy luận hay quy trình đánh giá có thể tái lập độc lập. Vì vậy, không thể quy 85,21 điểm cho một lựa chọn kỹ thuật duy nhất; đây là lời giải thích hợp lý, chưa phải quan hệ nhân quả đã được chứng minh.
Thinker–Talker–Actor: suy luận, nói và hành động song song
AgiBot mô tả WITA-Omni qua kiến trúc Thinker–Talker–Actor, mở rộng mô hình “suy nghĩ–nói” quen thuộc để đưa đầu ra vật lý và biểu cảm vào cùng hệ thống. 5
12
- Thinker thực hiện suy luận đa phương thức trên văn bản, ảnh, âm thanh và video, duy trì cách hiểu về bối cảnh và tương tác.
15
- Talker tạo ngôn ngữ dưới dạng lời nói phát trực tuyến, thay vì phải chờ hoàn tất toàn bộ câu trả lời mới bắt đầu phản hồi.
8
9
- Actor đảm nhiệm chuyển động vật lý và biểu cảm như cử chỉ hoặc nét mặt.
5
Mục tiêu thiết kế được nêu ra là đồng bộ lời nói, hành động và biểu cảm trên một trục thời gian, thay vì tạo từng phần như các công đoạn tách biệt. 12
“Một trục thời gian” có thể giảm cảm giác chậm trễ ra sao?
Một hệ robot truyền thống thường vận hành gần như tuần tự: cảm nhận tạo ra diễn giải, mô hình ngôn ngữ sinh phản hồi, bộ lập kế hoạch chọn hành động, rồi lớp điều khiển hoặc hoạt họa mới thực thi. Mỗi lần bàn giao có thể làm tăng thời gian chờ và khiến lời nói, cử chỉ, chuyển động của robot trông thiếu ăn khớp.
Thiết kế Thinker–Talker–Actor song song hướng tới việc giảm một phần kiểu “xử lý xong bước này mới sang bước khác”. Trong khi hệ thống tiếp tục hiểu lời nói, cử động của người đối diện và môi trường xung quanh, nó về nguyên tắc có thể bắt đầu một lời xác nhận ngắn, đồng thời lên lịch biểu cảm hay động tác phù hợp. Điều này có thể giúp việc luân phiên hội thoại tự nhiên hơn và giữ sự nhất quán giữa điều robot nói với cách robot cử động.
Dù vậy, đây là lợi ích suy ra từ kiến trúc. Các nguồn hiện có mô tả đầu ra được đồng bộ, nhưng không công bố phép đo độc lập về mức giảm độ trễ đầu-cuối. 12
Vai trò bên cạnh GE-Sim 2.0 và phần cứng robot
WITA-Omni chỉ là một lớp trong đề xuất AI hiện thân rộng hơn của AgiBot. GE-Sim 2.0 (Genie Envisioner-Sim 2.0) là bộ mô phỏng thế giới bằng video theo vòng lặp kín dành cho thao tác robot. Từ các khung hình lịch sử đa góc nhìn và một quỹ đạo hành động, mô hình tạo các kịch bản tương lai đa góc nhìn phù hợp với hành vi robot đã chỉ định. Dự án cho biết GE-Sim 2.0 được huấn luyện lại trên dữ liệu robot thực quy mô lớn, gồm điều khiển từ xa, tương tác có tiếp xúc mạnh và triển khai chính sách trực tiếp trên robot. 11
Có thể hình dung ba thành phần với vai trò khác nhau:
- Mô phỏng thế giới: GE-Sim 2.0 mô hình hóa các kết quả hành động có thể xảy ra, phục vụ đánh giá và phát triển chính sách điều khiển vòng lặp kín.
11
- Tương tác đa phương thức: WITA-Omni diễn giải bối cảnh nghe–nhìn, suy luận, tạo lời nói và phối hợp hành vi biểu cảm.
12
- Hiện thân vật lý: phần cứng robot cung cấp cảm biến và cơ cấu chấp hành để quan sát, di chuyển và tác động lên thế giới thật.
AgiBot cũng cho biết GE-Sim 2.0 đứng đầu WorldArena, nhưng đây là tuyên bố của công ty trong các tài liệu hiện có; cần đánh giá riêng và không nên đồng nhất với kết quả Daily-Omni. 4
36
Điểm 85,21 chứng minh gì — và không chứng minh gì?
Kết quả Daily-Omni là bằng chứng hữu ích rằng WITA-Omni làm tốt một lớp nhiệm vụ xác định: suy luận theo thời gian từ video và âm thanh. Vì tương tác người–robot đòi hỏi liên hệ lời nói, tiếng động môi trường, hành động nhìn thấy và thời điểm diễn ra, các năng lực này có liên quan trực tiếp đến AI hiện thân. 17
27
Tuy nhiên, một điểm benchmark không tự nó đo được khả năng điều khiển an toàn, độ bền vững khi thao tác vật thể, khả năng phục hồi sau sai sót, lập kế hoạch dài hạn, mức phù hợp về mặt xã hội giữa các bối cảnh văn hóa hay độ tin cậy khi gặp tình huống xa lạ.
Kết luận rõ ràng nhất là: vị trí dẫn đầu được báo cáo của WITA-Omni phù hợp với một mô hình được xây dựng xoay quanh hiểu biết và biểu đạt đa phương thức đồng bộ. Để biến lợi thế đó thành robot đáng tin cậy trong không gian xã hội không cấu trúc, vẫn cần nhiều bằng chứng thực tế hơn ngoài Daily-Omni.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "Vì sao WITA-Omni của AgiBot đạt 85,21 điểm trên Daily-Omni?" là gì?
AgiBot cho biết WITA Omni Preview đạt độ chính xác trung bình 85,21% trên Daily Omni và đứng đầu hoặc đồng hạng đầu ở 6 trong 8 chỉ số được báo cáo.
Những điểm chính cần xác nhận đầu tiên là gì?
AgiBot cho biết WITA Omni Preview đạt độ chính xác trung bình 85,21% trên Daily Omni và đứng đầu hoặc đồng hạng đầu ở 6 trong 8 chỉ số được báo cáo. Daily Omni đo năng lực trả lời câu hỏi từ video có âm thanh, đặc biệt là ghép đúng sự kiện nghe–thấy, xác định thứ tự diễn biến và suy luận liên phương thức.
Tôi nên làm gì tiếp theo trong thực tế?
Kiến trúc Thinker–Talker–Actor được mô tả là phối hợp suy luận, lời nói phát trực tuyến và biểu cảm/hành động trên cùng một trục thời gian, song chưa có số liệu công khai về mức giảm độ trễ đầu cuối.
Nguồn
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