7月28日，智元官方公众号宣布，智元自研的具身原生全模态大模型 WITA-Omni Preview，凭借领先的音视频联合理解与时序推理能力，以 85.21 分综合成绩登顶具身全模态理解权威榜单 DailyOmni 榜首，超过千问、Gemini、豆包、英伟达等国内外领先模型，并在八项细分指标中的六项取得第一。
据了解，DailyOmni 是业内公认衡量音视频时序匹配、跨模态联合推理能力的第三方权威榜单。和常规图文、短视频评测任务不同，榜单采用大量真实开放环境音视频素材，重点考核模型融合视觉、音频信息，分辨声画对应关系、事件时序与跨模态语义的能力，高度贴合人形机器人在真实环境人机交互所需的感知核心能力。
对具身机器人而言，感知理解与动作反馈并非割裂流程，而是连贯的物理交互过程。 WITA-Omni 没有简单将通用对话模型移植至机器人，而是把肢体动作、面部表情提升至与语音同等优先级输出，打造端到端原生具身交互架构 Thinker–Talker–Actor。
WITA-Omni 的性能领先并非依靠盲目扩充模型参数，而是来自一套围绕具身全模态交互构建的分层 数据体系与针对性训练方法。
在中训练阶段，WITA-Omni 整合千万小时级自有与开源多模态数据，强化图文基础能力，构建可完成视听联合推理的全模态底座。
模型采用 SFT-OPD-RL 三段式训练流程，让模型自主判断场景中该不该回应、何时回应、对谁回应。
智元此次登顶 DailyOmni 榜单，证明 WITA-Omni 在物理世界视听时序理解任务具备差异化优势，也是行业首款面向机器人原生打造的端到端多模态交互大模型。
该模型的突破不止拓展模态覆盖范围，而是让机器人在统一时序、统一认知框架下同步完成感知、决策、输出。
