AgiBot 的 WITA-Omni Preview 據報在 Daily-Omni 聲畫推理基準取得平均 85.21%，在與 Qwen、Gemini、豆包及 NVIDIA 系統的比較中，八項測量有六項排名第一或並列第一。11823

最合理的解讀，不是單純把它歸因於「模型更大」，而是它所宣稱的模型設計與訓練方向，剛好切中 Daily-Omni 最在意的能力：把看到什麼、聽到什麼，以及兩者發生的時間關係放在一起理解。

這代表多模態 AI 的一項值得注意的進展；但單靠這個成績，還不能證明搭載該模型的機器人已可在開放、複雜的社交或物理環境中廣泛且可靠地工作。

Daily-Omni 到底在測什麼？

Daily-Omni 是一個用於評估具時間對齊的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、1,197 道選擇題，涵蓋六類任務。1727

它的難點不只是從畫面認出一個物件，或把語音轉成文字。模型還得判斷某個畫面事件與哪段聲音同時出現、事件的先後順序，以及如何結合聲音與影像的證據作答。公開排行榜列出聲畫對齊、比較、情境理解、事件序列、推論、推理，以及 30 秒與 60 秒影片子集等項目。2023

換言之，模型可能必須分辨「畫面看似相同、聲音卻不同」的事件；也可能必須知道某個聲音是在可見動作之前、當下還是之後發生。這正是一般只把影音當成彼此獨立輸入時，容易失分的地方。

為何 WITA-Omni 的方向正好對應這套測試？

AgiBot 將 WITA-Omni Preview 描述為面向具身互動、可聯合理解文字、影像、音訊與影片的全模態模型。59 這與 Daily-Omni 的考題結構相當吻合：基準獎勵的是能保留跨模態、跨時間關係的系統，而不是把音訊與視訊拆開處理後再勉強拼接的系統。1720

WITA-Omni 的已公布成績，尤其在聲畫對齊、比較、事件序列，以及 30 秒與 60 秒影片子集表現強勢。118 這些正是「同時保留發生了什麼、聽見了什麼、何時發生」這種共享表徵可能帶來優勢的項目。

AgiBot 與相關報導也提到，模型訓練使用數千萬小時級的開源與自有多模態資料，並強調保留語音、影像、動作與表情之間的自然時間關係。569 不過，公開資訊尚未提供模型規模、完整訓練資料配方、消融實驗、推論設定，或可獨立重現的評測細節；因此，不能把 85.21 分精確歸功於某一項特定技術選擇。上述因果解釋應視為合理推論，而非已被完整證實的結論。

Thinker–Talker–Actor：為具身互動而設的平行分工

AgiBot 將 WITA-Omni 描述為 Thinker–Talker–Actor 架構：在常見的推理與語言輸出模式上，再納入實體動作與表情輸出。512

• Thinker（思考器）：負責整合文字、影像、聲音與影片進行跨模態推理，持續建立對場景與互動的理解。15
• Talker（說話器）：以串流方式產生語音，而非必須等到整段回覆完成後才開始說話。89
• Actor（行動器）：處理肢體動作與表情等輸出，例如手勢與臉部表情。58

其設計目標是讓語音、動作與表情依循同一條時間軸協調，而不是各自獨立、分段生成。12

同一時間軸，為何可能讓互動感覺更即時？

傳統機器人系統往往偏向串行流程：感知模組先產生判讀，語言系統再生成回覆，規劃器接著選擇動作，最後才由動畫或控制層執行。每一次交接都可能增加等待，也容易讓機器人的話語、手勢與移動顯得不同步。

Thinker–Talker–Actor 的概念，是減少這種「前一段做完、下一段才開始」的停等方式。系統持續解讀人的語言、動作與周遭情境時，可以同步開始一句口頭回應，並安排相容的肢體或表情。例如，機器人理論上可先以簡短語句表示正在理解，同時繼續判讀對方尚未說完的內容與動作。

但這是架構層面的預期效益，而非已獲獨立量化證實的成果：現有資料描述了同步輸出設計，卻沒有提供端到端延遲降低多少的測量數據。12

與 GE-Sim 2.0、機器人硬體如何分工？

WITA-Omni 是 AgiBot 較大「具身 AI」構想中的一層。其 GE-Sim 2.0（Genie Envisioner-Sim 2.0） 是針對機器人操作的閉迴路影片世界模擬器：輸入多視角歷史影格與動作軌跡後，系統可生成符合指定機器人行為的多視角未來推演。專案說明指出，它以大規模真實機器人資料再訓練，涵蓋遙操作、接觸密集互動與機器人端策略部署。11

概念上，三者可分成不同角色：

1. 世界模擬：GE-Sim 2.0 可用於模擬可能的動作結果，以及閉迴路策略評估。11
2. 多模態互動：WITA-Omni 可理解聲畫情境、進行推理、產生語言，並協調表情與動作。512
3. 物理具身：機器人硬體提供感測器與致動器，讓系統得以感知並在真實世界行動。

AgiBot 也曾表示 GE-Sim 2.0 在 WorldArena 基準居首；不過這項排名在目前資料中屬公司主張，應與 Daily-Omni 成績分開檢視。436

85.21 分證明了什麼，又沒有證明什麼？

Daily-Omni 的成績可作為證據，顯示 WITA-Omni 在一類明確界定的聲畫時序推理任務中表現優異。人機互動需要把語音、環境聲音、可見行為與時間關係連在一起，因此這些能力確實與具身 AI 有關。1727

不過，基準分數本身不等於真實部署可靠性。它無法單獨衡量安全控制、操作穩定度、失誤復原、長期規劃、跨文化社交適切性，或面對陌生情境時的穩健程度。

較精確的結論是：WITA-Omni 的領先成績，與一個主打同步多模態理解與表達的模型設計相一致。 要把這種優勢轉化為能在非結構化社交空間中值得信賴的機器人，仍需要 Daily-Omni 之外的實證。

AgiBot 的 WITA-Omni Preview 據報在 Daily-Omni 聲畫推理基準取得平均 85.21%，在與 Qwen、Gemini、豆包及 NVIDIA 系統的比較中，八項測量有六項排名第一或並列第一。11823

最合理的解讀，不是單純把它歸因於「模型更大」，而是它所宣稱的模型設計與訓練方向，剛好切中 Daily-Omni 最在意的能力：把看到什麼、聽到什麼，以及兩者發生的時間關係放在一起理解。

這代表多模態 AI 的一項值得注意的進展；但單靠這個成績，還不能證明搭載該模型的機器人已可在開放、複雜的社交或物理環境中廣泛且可靠地工作。

Daily-Omni 到底在測什麼？

Daily-Omni 是一個用於評估具時間對齊的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、1,197 道選擇題，涵蓋六類任務。1727

它的難點不只是從畫面認出一個物件，或把語音轉成文字。模型還得判斷某個畫面事件與哪段聲音同時出現、事件的先後順序，以及如何結合聲音與影像的證據作答。公開排行榜列出聲畫對齊、比較、情境理解、事件序列、推論、推理，以及 30 秒與 60 秒影片子集等項目。2023

換言之，模型可能必須分辨「畫面看似相同、聲音卻不同」的事件；也可能必須知道某個聲音是在可見動作之前、當下還是之後發生。這正是一般只把影音當成彼此獨立輸入時，容易失分的地方。

為何 WITA-Omni 的方向正好對應這套測試？

AgiBot 將 WITA-Omni Preview 描述為面向具身互動、可聯合理解文字、影像、音訊與影片的全模態模型。59 這與 Daily-Omni 的考題結構相當吻合：基準獎勵的是能保留跨模態、跨時間關係的系統，而不是把音訊與視訊拆開處理後再勉強拼接的系統。1720

WITA-Omni 的已公布成績，尤其在聲畫對齊、比較、事件序列，以及 30 秒與 60 秒影片子集表現強勢。118 這些正是「同時保留發生了什麼、聽見了什麼、何時發生」這種共享表徵可能帶來優勢的項目。

AgiBot 與相關報導也提到，模型訓練使用數千萬小時級的開源與自有多模態資料，並強調保留語音、影像、動作與表情之間的自然時間關係。569 不過，公開資訊尚未提供模型規模、完整訓練資料配方、消融實驗、推論設定，或可獨立重現的評測細節；因此，不能把 85.21 分精確歸功於某一項特定技術選擇。上述因果解釋應視為合理推論，而非已被完整證實的結論。

Thinker–Talker–Actor：為具身互動而設的平行分工

AgiBot 將 WITA-Omni 描述為 Thinker–Talker–Actor 架構：在常見的推理與語言輸出模式上，再納入實體動作與表情輸出。512

• Thinker（思考器）：負責整合文字、影像、聲音與影片進行跨模態推理，持續建立對場景與互動的理解。15
• Talker（說話器）：以串流方式產生語音，而非必須等到整段回覆完成後才開始說話。89
• Actor（行動器）：處理肢體動作與表情等輸出，例如手勢與臉部表情。58

其設計目標是讓語音、動作與表情依循同一條時間軸協調，而不是各自獨立、分段生成。12

同一時間軸，為何可能讓互動感覺更即時？

傳統機器人系統往往偏向串行流程：感知模組先產生判讀，語言系統再生成回覆，規劃器接著選擇動作，最後才由動畫或控制層執行。每一次交接都可能增加等待，也容易讓機器人的話語、手勢與移動顯得不同步。

Thinker–Talker–Actor 的概念，是減少這種「前一段做完、下一段才開始」的停等方式。系統持續解讀人的語言、動作與周遭情境時，可以同步開始一句口頭回應，並安排相容的肢體或表情。例如，機器人理論上可先以簡短語句表示正在理解，同時繼續判讀對方尚未說完的內容與動作。

但這是架構層面的預期效益，而非已獲獨立量化證實的成果：現有資料描述了同步輸出設計，卻沒有提供端到端延遲降低多少的測量數據。12

與 GE-Sim 2.0、機器人硬體如何分工？

WITA-Omni 是 AgiBot 較大「具身 AI」構想中的一層。其 GE-Sim 2.0（Genie Envisioner-Sim 2.0） 是針對機器人操作的閉迴路影片世界模擬器：輸入多視角歷史影格與動作軌跡後，系統可生成符合指定機器人行為的多視角未來推演。專案說明指出，它以大規模真實機器人資料再訓練，涵蓋遙操作、接觸密集互動與機器人端策略部署。11

概念上，三者可分成不同角色：

1. 世界模擬：GE-Sim 2.0 可用於模擬可能的動作結果，以及閉迴路策略評估。11
2. 多模態互動：WITA-Omni 可理解聲畫情境、進行推理、產生語言，並協調表情與動作。512
3. 物理具身：機器人硬體提供感測器與致動器，讓系統得以感知並在真實世界行動。

AgiBot 也曾表示 GE-Sim 2.0 在 WorldArena 基準居首；不過這項排名在目前資料中屬公司主張，應與 Daily-Omni 成績分開檢視。436

85.21 分證明了什麼，又沒有證明什麼？

Daily-Omni 的成績可作為證據，顯示 WITA-Omni 在一類明確界定的聲畫時序推理任務中表現優異。人機互動需要把語音、環境聲音、可見行為與時間關係連在一起，因此這些能力確實與具身 AI 有關。1727

不過，基準分數本身不等於真實部署可靠性。它無法單獨衡量安全控制、操作穩定度、失誤復原、長期規劃、跨文化社交適切性，或面對陌生情境時的穩健程度。

較精確的結論是：WITA-Omni 的領先成績，與一個主打同步多模態理解與表達的模型設計相一致。 要把這種優勢轉化為能在非結構化社交空間中值得信賴的機器人，仍需要 Daily-Omni 之外的實證。