智元（AgiBot）旗下 WITA-Omni Preview 据称在音视频推理基准 Daily-Omni 上取得 85.21% 的平均准确率，在与千问、Gemini、豆包和 NVIDIA 系统的已评测对比中，八项指标里有六项排名第一或并列第一。11823

更站得住脚的解释，并不是简单归因于“模型更大”，而是其公开描述的设计与训练重点，恰好贴合 Daily-Omni 所要考查的能力：把声音、画面及两者发生的时间关系连起来理解。

这对多模态 AI 是值得关注的进展，但不能仅凭这一个分数，就推断搭载该模型的机器人已能在开放的社交或物理环境中稳定、可靠地工作。

Daily-Omni 到底在测什么？

Daily-Omni 是一个面向时间对齐多模态推理的音视频问答基准。数据集包含 684 段日常生活视频，以及 1,197 道多项选择题，覆盖六类任务。1727

难点不只是认出画面里有什么物体，或把人声转成文字。模型还需要判断：哪一种视觉事件与哪一种声音同时发生、事件按什么顺序展开，并综合音频和视觉证据作答。其公开榜单列出声画对齐、比较、上下文理解、事件序列、推断、推理，以及 30 秒和 60 秒视频子集等指标。2023

换言之，正确答案可能取决于模型能否分清“画面看着相近、声音却不同”的事件；也可能取决于它是否判断对了某个声音发生在一个可见动作之前、之中还是之后。

为什么 WITA-Omni 的路线与这项基准契合

智元将 WITA-Omni Preview 描述为一款面向具身交互的原生全模态模型，可联合理解文本、图像、音频和视频。59 这与 Daily-Omni 的出题逻辑直接对应：基准奖励的是能保留跨模态、跨时间关系的模型，而非把音频和视频当作互不关联的输入分别处理。1720

其披露的优势项目包括声画对齐、比较、事件序列，以及 30 秒和 60 秒视频子集。118 这些恰是“发生了什么、听到了什么、发生在何时”能够在共享表征中被保留下来时，理论上更容易获益的类别。

智元及相关报道还提到，WITA-Omni 使用了千万小时级的开源与自有多模态数据，并采用旨在保留语音、画面、动作和表情自然时序的数据。569 不过，公开信息并未给出模型规模、完整训练配比、消融实验、推理配置或可由第三方完整复现的评测细节。因此，无法把 85.21 分严格归因于某一项具体技术选择；上述解释应理解为合理推断，而非已经被充分证明的因果结论。

Thinker–Talker–Actor：把“思考、说话、动作”并行协调

智元以 Thinker–Talker–Actor 架构描述 WITA-Omni：在常见的推理与语音生成分工之外，进一步把物理和表情输出纳入模型设计。512

• Thinker（思考器）：对文本、图像、声音与视频进行多模态推理，持续形成对场景和互动状态的理解。15
• Talker（说话器）：以流式方式生成语音，无需等整段回答完全生成后再开口。89
• Actor（行动器）：处理实体动作与表达性输出，包括手势和面部表情。58

其公开目标是让语音、动作和表情在同一条时间线上协同，而不是作为彼此割裂的后处理阶段依次产生。12

共享时间线为何可能降低“体感延迟”

传统机器人系统常呈串行流程：感知模块先输出理解，语言系统生成回答，规划模块选择动作，最后由动画或控制模块执行。每一次模块交接都可能带来等待，让机器人的说话、手势和移动显得不同步。

Thinker–Talker–Actor 这样的并行安排，意在减少这种“走一步、等一步”的过程。模型还在理解人的话语、动作和周围环境时，就可以开始给出简短的口头回应，并安排相匹配的动作或表情。原则上，这有助于更自然地轮流对话，也让机器人说什么、怎么动看起来更一致。

不过，这属于架构层面的预期收益：现有资料描述了输出同步机制，但没有提供可验证的端到端时延降低数据。12

与 GE-Sim 2.0 和机器人硬件如何配合

WITA-Omni 是智元具身智能方案的一层。其 GE-Sim 2.0（Genie Envisioner-Sim 2.0） 是服务于机器人操作的闭环视频世界模拟器：给定多视角历史帧和动作轨迹，它会生成与指定机器人行为一致的未来多视角推演结果。项目资料称，该模型已基于涵盖遥操作、接触密集型交互和机载策略部署的大规模真实机器人数据重新训练。11

从概念上看，这三部分可分工为：

1. 世界模拟：GE-Sim 2.0 可用于模拟可能的动作结果，支持策略评估和闭环策略工作。11
2. 多模态交互：WITA-Omni 用于理解声画语境、进行推理、生成语言，并协调表达性行为。512
3. 物理具身：机器人硬件提供感知世界和实际执行动作所需的传感器与执行器。

智元还表示 GE-Sim 2.0 在 WorldArena 基准中领先；但基于现有材料，这一排名属于公司主张，应与 Daily-Omni 的结果分开评估。436

85.21 分说明了什么，又没有说明什么？

Daily-Omni 成绩可作为证据，表明 WITA-Omni 在一类定义明确的音视频时序推理任务上表现突出。人机互动确实需要系统把语言、环境声音、可见动作与时间关系联系起来，因此这些能力与具身智能相关。1727

但基准高分不等于已证明可可靠部署。它本身并不衡量安全控制、抓取与操作的鲁棒性、失误后的恢复能力、长程规划、跨文化社交得体性，或面对陌生环境时的稳定程度。

更准确的结论是：WITA-Omni 的领先成绩，与其围绕同步多模态理解和表达的设计方向相一致。 至于能否把这项优势转化为可在非结构化社交空间中值得信赖的机器人，仍需要 Daily-Omni 之外的更多证据。

智元（AgiBot）旗下 WITA-Omni Preview 据称在音视频推理基准 Daily-Omni 上取得 85.21% 的平均准确率，在与千问、Gemini、豆包和 NVIDIA 系统的已评测对比中，八项指标里有六项排名第一或并列第一。11823

更站得住脚的解释，并不是简单归因于“模型更大”，而是其公开描述的设计与训练重点，恰好贴合 Daily-Omni 所要考查的能力：把声音、画面及两者发生的时间关系连起来理解。

这对多模态 AI 是值得关注的进展，但不能仅凭这一个分数，就推断搭载该模型的机器人已能在开放的社交或物理环境中稳定、可靠地工作。

Daily-Omni 到底在测什么？

Daily-Omni 是一个面向时间对齐多模态推理的音视频问答基准。数据集包含 684 段日常生活视频，以及 1,197 道多项选择题，覆盖六类任务。1727

难点不只是认出画面里有什么物体，或把人声转成文字。模型还需要判断：哪一种视觉事件与哪一种声音同时发生、事件按什么顺序展开，并综合音频和视觉证据作答。其公开榜单列出声画对齐、比较、上下文理解、事件序列、推断、推理，以及 30 秒和 60 秒视频子集等指标。2023

换言之，正确答案可能取决于模型能否分清“画面看着相近、声音却不同”的事件；也可能取决于它是否判断对了某个声音发生在一个可见动作之前、之中还是之后。

为什么 WITA-Omni 的路线与这项基准契合

智元将 WITA-Omni Preview 描述为一款面向具身交互的原生全模态模型，可联合理解文本、图像、音频和视频。59 这与 Daily-Omni 的出题逻辑直接对应：基准奖励的是能保留跨模态、跨时间关系的模型，而非把音频和视频当作互不关联的输入分别处理。1720

其披露的优势项目包括声画对齐、比较、事件序列，以及 30 秒和 60 秒视频子集。118 这些恰是“发生了什么、听到了什么、发生在何时”能够在共享表征中被保留下来时，理论上更容易获益的类别。

智元及相关报道还提到，WITA-Omni 使用了千万小时级的开源与自有多模态数据，并采用旨在保留语音、画面、动作和表情自然时序的数据。569 不过，公开信息并未给出模型规模、完整训练配比、消融实验、推理配置或可由第三方完整复现的评测细节。因此，无法把 85.21 分严格归因于某一项具体技术选择；上述解释应理解为合理推断，而非已经被充分证明的因果结论。

Thinker–Talker–Actor：把“思考、说话、动作”并行协调

智元以 Thinker–Talker–Actor 架构描述 WITA-Omni：在常见的推理与语音生成分工之外，进一步把物理和表情输出纳入模型设计。512

• Thinker（思考器）：对文本、图像、声音与视频进行多模态推理，持续形成对场景和互动状态的理解。15
• Talker（说话器）：以流式方式生成语音，无需等整段回答完全生成后再开口。89
• Actor（行动器）：处理实体动作与表达性输出，包括手势和面部表情。58

其公开目标是让语音、动作和表情在同一条时间线上协同，而不是作为彼此割裂的后处理阶段依次产生。12

共享时间线为何可能降低“体感延迟”

传统机器人系统常呈串行流程：感知模块先输出理解，语言系统生成回答，规划模块选择动作，最后由动画或控制模块执行。每一次模块交接都可能带来等待，让机器人的说话、手势和移动显得不同步。

Thinker–Talker–Actor 这样的并行安排，意在减少这种“走一步、等一步”的过程。模型还在理解人的话语、动作和周围环境时，就可以开始给出简短的口头回应，并安排相匹配的动作或表情。原则上，这有助于更自然地轮流对话，也让机器人说什么、怎么动看起来更一致。

不过，这属于架构层面的预期收益：现有资料描述了输出同步机制，但没有提供可验证的端到端时延降低数据。12

与 GE-Sim 2.0 和机器人硬件如何配合

WITA-Omni 是智元具身智能方案的一层。其 GE-Sim 2.0（Genie Envisioner-Sim 2.0） 是服务于机器人操作的闭环视频世界模拟器：给定多视角历史帧和动作轨迹，它会生成与指定机器人行为一致的未来多视角推演结果。项目资料称，该模型已基于涵盖遥操作、接触密集型交互和机载策略部署的大规模真实机器人数据重新训练。11

从概念上看，这三部分可分工为：

1. 世界模拟：GE-Sim 2.0 可用于模拟可能的动作结果，支持策略评估和闭环策略工作。11
2. 多模态交互：WITA-Omni 用于理解声画语境、进行推理、生成语言，并协调表达性行为。512
3. 物理具身：机器人硬件提供感知世界和实际执行动作所需的传感器与执行器。

智元还表示 GE-Sim 2.0 在 WorldArena 基准中领先；但基于现有材料，这一排名属于公司主张，应与 Daily-Omni 的结果分开评估。436

85.21 分说明了什么，又没有说明什么？

Daily-Omni 成绩可作为证据，表明 WITA-Omni 在一类定义明确的音视频时序推理任务上表现突出。人机互动确实需要系统把语言、环境声音、可见动作与时间关系联系起来，因此这些能力与具身智能相关。1727

但基准高分不等于已证明可可靠部署。它本身并不衡量安全控制、抓取与操作的鲁棒性、失误后的恢复能力、长程规划、跨文化社交得体性，或面对陌生环境时的稳定程度。

更准确的结论是：WITA-Omni 的领先成绩，与其围绕同步多模态理解和表达的设计方向相一致。 至于能否把这项优势转化为可在非结构化社交空间中值得信赖的机器人，仍需要 Daily-Omni 之外的更多证据。