AgiBot 的 WITA-Omni Preview 據報喺 Daily-Omni 聲畫推理基準取得 85.21% 平均準確率，較受評的 Qwen、Gemini、Doubao（豆包）及 NVIDIA 系統為高，並在八項指標中六項取得第一或並列第一。11823

最合理的解釋，不應簡化成「模型大所以贏」；反而是其公布的設計與訓練重點，正好對準 Daily-Omni 所考的能力：把看見甚麼、聽到甚麼，以及兩者在何時發生，放埋一齊理解。

這是多模態 AI 的一項有意思進展，但單靠這個榜單成績，未足以證明搭載該模型的機械人已可在複雜、開放的社交或實體環境中廣泛而可靠地運作。

Daily-Omni 實際考甚麼？

Daily-Omni 是一個用來評估時間對齊多模態推理的聲畫問答基準。資料集包含 684 段日常生活影片，以及 1,197 條選擇題，涵蓋六類任務。1727

難點不只是認得畫面中有架車，或者把人聲抄成文字。模型要判斷哪一個畫面事件與哪一段聲音同時出現、事件先後如何，並綜合聲音和畫面作答。公開榜單指標包括聲畫對齊、比較、情境理解、事件序列、推論、推理，以及 30 秒和 60 秒影片子集。2023

舉例說，畫面上兩個動作可能好相似，但聲音不同；又或者答案取決於某一下聲音是在可見動作之前、期間還是之後出現。這正是一般「識睇圖」或「識聽語音」未必處理得好的地方。

點解 WITA-Omni 的做法貼合這個基準？

AgiBot 形容 WITA-Omni Preview 是面向具身互動、原生支援文字、圖像、音訊和影片的全模態模型。59 這個取向同 Daily-Omni 的評測設計相當吻合：基準獎勵的是能保留跨模態、跨時間關係的系統，而不是把聲音和影片當成兩份互不相干的輸入。1720

據報 WITA-Omni 在聲畫對齊、比較、事件排序，以及 30 秒、60 秒影片子集表現特別突出。118 這些正是要持續掌握「發生咗甚麼、聽到咗甚麼、幾時發生」的共同表徵最可能發揮作用的項目。

AgiBot 及相關報道亦稱，模型使用了千萬小時級的開源及自有多模態資料訓練，當中包括保留說話、畫面、動作與表情自然時間關係的資料。569 不過，公開資訊未有提供模型規模、完整訓練資料比例、消融實驗、推理設定，或可由第三方完整重現的評測細節。因此，以上設計是解釋 85.21 分的合理推論，而非已被公開實驗逐項證實的因果結論。

Thinker–Talker–Actor：為具身互動而設的分工

AgiBot 將 WITA-Omni 描述為 Thinker–Talker–Actor 架構：在常見「推理—說話」模式以外，把實體動作和表情也納入核心輸出。512

• Thinker（思考器）：跨文字、圖像、聲音、影片作多模態推理，持續理解現場與互動情境。15
• Talker（說話器）：以串流方式輸出語音，不必等整段回應完全生成才開口。89
• Actor（行動器）：處理肢體動作及表情輸出，例如手勢和面部表情。58

報道所述的目標，是令說話、動作與表情在同一條時間線上協調，而不是逐個階段各自產生。12

共用時間線，點樣減少「機械式」等候感？

傳統機械人系統往往較像流水線：感知模組先理解場景，語言系統再組織回應，規劃器之後揀選動作，最後才交由動畫或控制系統執行。每一次交接都可能增加等待，令機械人的說話、手勢與移動看起來不同步。

平行的 Thinker–Talker–Actor 設計，目的正是減少這種「一關做完先到下一關」的情況。當系統仍在理解對方的說話、動作和周邊環境時，Talker 理論上已可先作口頭回應，Actor 同時安排配合的手勢或表情。結果有望令輪流對話更自然，並令機械人「講乜」同「點樣郁」更一致。

但要留意，這是架構上的設計理據。現有來源描述了同步輸出，未有提供端到端延遲減少了多少的量化數據。12

同 GE-Sim 2.0 與機械人硬件點樣配合？

WITA-Omni 只是 AgiBot 具身 AI 方案的一層。其 GE-Sim 2.0（Genie Envisioner-Sim 2.0） 是供機械人操作使用的閉環影片世界模擬器：模型可根據多視角歷史畫面和一段動作軌跡，生成符合指定機械人行為的未來多視角結果。項目資料稱，它以大規模真實機械人數據再訓練，涵蓋遙操作、接觸密集互動及機械人端策略部署。11

概念上，三個部分各有角色：

1. 世界模擬：GE-Sim 2.0 可模擬行動可能帶來的結果，用於評估及閉環策略工作。11
2. 多模態互動：WITA-Omni 負責理解聲畫脈絡、推理、說話，以及協調帶表情的行為。512
3. 實體機身：機械人硬件提供感測器與執行器，令系統可以感知及實際行動。

AgiBot 亦稱 GE-Sim 2.0 在 WorldArena 排名第一；不過，在目前可取得的材料中，這屬公司說法，應與 Daily-Omni 成績分開評估。436

85.21 分證明咗甚麼，又未證明甚麼？

Daily-Omni 的結果，是 WITA-Omni 在一類定義清楚的聲畫時間推理任務上表現強勁的證據。人機互動的確需要系統把說話、環境聲、可見動作及時機互相扣連，所以這些能力與具身 AI 有直接關係。1727

不過，基準分數本身不等於已證明可可靠落地。它未直接衡量：

• 安全控制與避險能力；
• 實物操作的穩定性；
• 出錯後的復原能力；
• 長時間、多步驟規劃；
• 面對不同文化與情境時的社交恰當性；
• 陌生環境下的可靠程度。

最準確的結論是：WITA-Omni 的領先成績，與一個以同步多模態理解及表達為核心的模型設計相符。 至於能否把這個優勢變成可在非結構化社交空間中值得信賴的機械人，仍要有 Daily-Omni 以外的實測證據。

AgiBot 的 WITA-Omni Preview 據報喺 Daily-Omni 聲畫推理基準取得 85.21% 平均準確率，較受評的 Qwen、Gemini、Doubao（豆包）及 NVIDIA 系統為高，並在八項指標中六項取得第一或並列第一。11823

最合理的解釋，不應簡化成「模型大所以贏」；反而是其公布的設計與訓練重點，正好對準 Daily-Omni 所考的能力：把看見甚麼、聽到甚麼，以及兩者在何時發生，放埋一齊理解。

這是多模態 AI 的一項有意思進展，但單靠這個榜單成績，未足以證明搭載該模型的機械人已可在複雜、開放的社交或實體環境中廣泛而可靠地運作。

Daily-Omni 實際考甚麼？

Daily-Omni 是一個用來評估時間對齊多模態推理的聲畫問答基準。資料集包含 684 段日常生活影片，以及 1,197 條選擇題，涵蓋六類任務。1727

難點不只是認得畫面中有架車，或者把人聲抄成文字。模型要判斷哪一個畫面事件與哪一段聲音同時出現、事件先後如何，並綜合聲音和畫面作答。公開榜單指標包括聲畫對齊、比較、情境理解、事件序列、推論、推理，以及 30 秒和 60 秒影片子集。2023

舉例說，畫面上兩個動作可能好相似，但聲音不同；又或者答案取決於某一下聲音是在可見動作之前、期間還是之後出現。這正是一般「識睇圖」或「識聽語音」未必處理得好的地方。

點解 WITA-Omni 的做法貼合這個基準？

AgiBot 形容 WITA-Omni Preview 是面向具身互動、原生支援文字、圖像、音訊和影片的全模態模型。59 這個取向同 Daily-Omni 的評測設計相當吻合：基準獎勵的是能保留跨模態、跨時間關係的系統，而不是把聲音和影片當成兩份互不相干的輸入。1720

據報 WITA-Omni 在聲畫對齊、比較、事件排序，以及 30 秒、60 秒影片子集表現特別突出。118 這些正是要持續掌握「發生咗甚麼、聽到咗甚麼、幾時發生」的共同表徵最可能發揮作用的項目。

AgiBot 及相關報道亦稱，模型使用了千萬小時級的開源及自有多模態資料訓練，當中包括保留說話、畫面、動作與表情自然時間關係的資料。569 不過，公開資訊未有提供模型規模、完整訓練資料比例、消融實驗、推理設定，或可由第三方完整重現的評測細節。因此，以上設計是解釋 85.21 分的合理推論，而非已被公開實驗逐項證實的因果結論。

Thinker–Talker–Actor：為具身互動而設的分工

AgiBot 將 WITA-Omni 描述為 Thinker–Talker–Actor 架構：在常見「推理—說話」模式以外，把實體動作和表情也納入核心輸出。512

• Thinker（思考器）：跨文字、圖像、聲音、影片作多模態推理，持續理解現場與互動情境。15
• Talker（說話器）：以串流方式輸出語音，不必等整段回應完全生成才開口。89
• Actor（行動器）：處理肢體動作及表情輸出，例如手勢和面部表情。58

報道所述的目標，是令說話、動作與表情在同一條時間線上協調，而不是逐個階段各自產生。12

共用時間線，點樣減少「機械式」等候感？

傳統機械人系統往往較像流水線：感知模組先理解場景，語言系統再組織回應，規劃器之後揀選動作，最後才交由動畫或控制系統執行。每一次交接都可能增加等待，令機械人的說話、手勢與移動看起來不同步。

平行的 Thinker–Talker–Actor 設計，目的正是減少這種「一關做完先到下一關」的情況。當系統仍在理解對方的說話、動作和周邊環境時，Talker 理論上已可先作口頭回應，Actor 同時安排配合的手勢或表情。結果有望令輪流對話更自然，並令機械人「講乜」同「點樣郁」更一致。

但要留意，這是架構上的設計理據。現有來源描述了同步輸出，未有提供端到端延遲減少了多少的量化數據。12

同 GE-Sim 2.0 與機械人硬件點樣配合？

WITA-Omni 只是 AgiBot 具身 AI 方案的一層。其 GE-Sim 2.0（Genie Envisioner-Sim 2.0） 是供機械人操作使用的閉環影片世界模擬器：模型可根據多視角歷史畫面和一段動作軌跡，生成符合指定機械人行為的未來多視角結果。項目資料稱，它以大規模真實機械人數據再訓練，涵蓋遙操作、接觸密集互動及機械人端策略部署。11

概念上，三個部分各有角色：

1. 世界模擬：GE-Sim 2.0 可模擬行動可能帶來的結果，用於評估及閉環策略工作。11
2. 多模態互動：WITA-Omni 負責理解聲畫脈絡、推理、說話，以及協調帶表情的行為。512
3. 實體機身：機械人硬件提供感測器與執行器，令系統可以感知及實際行動。

AgiBot 亦稱 GE-Sim 2.0 在 WorldArena 排名第一；不過，在目前可取得的材料中，這屬公司說法，應與 Daily-Omni 成績分開評估。436

85.21 分證明咗甚麼，又未證明甚麼？

Daily-Omni 的結果，是 WITA-Omni 在一類定義清楚的聲畫時間推理任務上表現強勁的證據。人機互動的確需要系統把說話、環境聲、可見動作及時機互相扣連，所以這些能力與具身 AI 有直接關係。1727

不過，基準分數本身不等於已證明可可靠落地。它未直接衡量：

• 安全控制與避險能力；
• 實物操作的穩定性；
• 出錯後的復原能力；
• 長時間、多步驟規劃；
• 面對不同文化與情境時的社交恰當性；
• 陌生環境下的可靠程度。

最準確的結論是：WITA-Omni 的領先成績，與一個以同步多模態理解及表達為核心的模型設計相符。 至於能否把這個優勢變成可在非結構化社交空間中值得信賴的機械人，仍要有 Daily-Omni 以外的實測證據。