智元 WITA-Omni：400 毫秒响应与四榜第一的具身全模态模型

一句话结论：智元在 11 月 10 日补齐了 WITA-Omni 的完整能力清单，这个号称行业首个具身全模态端到端交互大模型的模型响应最快约 400 毫秒、平均约 600 毫秒，在四个具身交互榜单上全部排第一，但领先第二名的幅度只有 0.1 到 1.1 分，且没有开放权重也没有公开 API。

如果只把这个模型当成一条产品发布消息，会漏掉它真正有意思的地方。WITA-Omni 代表的是一条和「把聊天模型装进机器人」完全不同的技术路线，它把物理动作和表情提到和语音并列的一级输出位置，用一个端到端模型统一驱动感知、决策与表达。

这条路线目前只在智元自家的量产机器人上跑。能不能下载、能不能调用、参数多大、并发上限多少，官方都没有给答案。所以这篇先把能核对的数字摆清楚。

400 毫秒与 600 毫秒：官方数字里的三个保留

官方口径是「交互响应最快约 400 毫秒、平均约 600 毫秒，较业内平均水平快近 3 倍」。这句话里藏了三个需要拆开的点。

第一，400 和 600 是两个不同性质的数。400 毫秒是理想条件下的下限，600 毫秒才是常态。拿 400 毫秒去做体验预期会对不上。

第二，「快近 3 倍」的参照系没有公布。官方只写「业内平均水平」，没给对比模型名称、测试集和测试方法。这个倍数只能当厂商自评看，不能当第三方实测结论。

第三，响应延迟的起止点没有定义。从人声结束算到语音首帧，还是算到表情和动作同步启动，两种算法结果差很远。目前公开材料里没有说明，这类细节通常要等第三方拿设备实测才能对齐。

四个榜单第一，但领先幅度只有 0.1 到 1.1 分

智元在同一次披露里给出了四个具身交互榜单的成绩和第二名，数据标注时间为 2026 年 10 月。这组数字是判断能力边界最实在的证据。

把四个差值摆在一起，结论比「四榜登顶」这个说法要冷静。Daily-Omni 的 1.1 分算是明确优势，另外三个榜单的差距落在 0.1 到 0.3 分之间，属于贴身竞争，同一个量级内的排名波动完全可能改变榜首归属。

榜单的具体对手也值得记一下。Daily-Omni 上第三名是 Qwen3.8-Omni-Flash 85.1，与第二名并列；第四是 Gemini 3.1 Pro Preview 83.6，第五是 Gemini 2.5 Pro 82.9。EmbSpatial-Bench 上第三名 Qwen3.8-Omni-Flash 84.5 之后是 Gemini 3 Pro 84.3，再往下是 Qwen5.5-Flash 80.4。国产全模态模型在音频和空间理解上已经挤得很紧，通用多模态模型同样没有掉队。

更早的一条记录来自 7 月，WITA-Omni Preview 以 85.21 分登顶 DailyOmni 全模态理解榜，八项细分指标里六项第一，同期超过千问、Gemini、豆包、英伟达等模型。对照 10 月榜单的 86.2 分，两个月的提升幅度是 1 分。

这组数据指向一个结论：通用多模态模型在音频和空间理解上的精度已经很高，具身交互的差异化更多落在「什么时候该说话」这类决策上，单纯把感知精度再往上推零点几分已经很难拉开差距。

八大能力对应的是八个真实问题

官方给的八个词是超强拾音、极速响应、全模态拒识、语言大咖、灵动情感、智能面屏、全时自主、本体部署。逐条拆开看，这八个词回答的是机器人交互里八个不同的老问题。

超强拾音解决「听不清」。机器人自身的电机、风扇、行走噪声会盖住人声。智元做了一套视听融合的感知前端：用本体状态消除回声与自噪声，用声纹、唇动加视觉定位锁定目标说话人，再从多人混叠声里把目标语音提出来。

极速响应解决「等太久」。传统链路是收音、识别、理解、合成、播报，每一环都要等上一环结束。WITA-Omni 换成流式全双工，边听、边想、边应、边动、边做表情。

全模态拒识解决「乱接话」。它不需要唤醒词，靠对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文一起判断这句话该不该回应。多人交谈或环境广播时的误触发率是这项能力的核心指标，官方没有公布具体数字。

语言大咖对应多语种与方言。100 多种语言、29 种方言免切换交流，配合全双工实现流式同声传译，语言和方言都能译，也支持双向互译。官方没有列出具体语种清单，也没公布各方言的识别准确率。

灵动情感是输出侧。倾听时用点头、注视、微表情回应，表达时把参数化面部表情、声音和肢体动作一起调度，覆盖开心、惊讶、激动、悲伤、满意、痛哭、认真、自信等几十种情绪，每种还能分强度。

智能面屏（Intelligent FaceUI）负责把说不清的内容画出来。讲一个复杂产品、给孩子讲科普，模型会判断这段话适合用图表达，直接在面部屏幕上生成可视化内容。

全时自主指主动发起交互。见人主动欢迎并伸手，被点赞有回应，看到挥手告别会挥手相送。

本体部署是最容易被忽略、也最关键的一条。模型跑在机器人本地算力上，不依赖联网回传，隐私、断网、实时性三个问题一起解决。官方称这是业内首个实现在量产机器人本体部署的大参数量模型。

Thinker-Talker-Actor：表情和动作怎么跟语音同时出

架构层面，官方英文材料写的是 Thinker-Talker-Actor 三段式，在 Thinker 和 Talker 之外加了一个专门管动作与表情的 Actor，中文技术图里对应 WITA-THINKER 主干和 WITA-EXECUTOR 执行段。

主干负责理解与决策，把视觉、音频、文本映射到同一个语义空间做联合推理，判断当前发生了什么、要不要回应、回应谁。执行段拆成三个生成器：Expression Generator 管表情、Speech Generator 管语音、Action Generator 管动作，三者都用 Flow Matching 生成，再用 Temporal Mixer 做时间轴对齐。

这一段是「同时出」的技术前提。语音、表情、动作脱离了三条串行流水线，改为挂在同一条时间线上并行生成，手势和表情能跟着语速、停顿、重音、情绪走。

训练侧是三段式：全模态预训练打底，具身行为对齐用机器人本体数据把输出约束到本体能力范围内，交互策略强化专门训练「何时回应、何时接话、何时让话」。

快慢双引擎：前台先应一声，后台再去查

对话要快，复杂任务要慢，这两件事天然冲突。WITA-Omni 的处理办法是快慢双模：前台 Interaction Engine 负责流式理解与即时回应，后台 Background Agent 负责推理、规划、工具调用与长程任务，两者共享同一份上下文与时间线。

对使用者的直接感受是，机器人可以先应一句「我看一下」，再去后台查资料，查到结果回来接着讲。中途可以补充、纠正、取消，后台任务实时调整，上一轮不会被作废重来。这套机制在服务台、导览、接待这类「问一句答一句但答案要查」的场景里，比单纯的语音助手更接近人的节奏。

这个设计的取舍也很清楚：把「思考」与「应答」拆到两个执行体上，用共享上下文换取延迟，代价是系统复杂度上升，异常处理路径变长。

能不能下载、能不能调用：目前答案是不能

这是搜索这个模型的人最想知道的答案，也是公开材料里最容易被误读的部分。

WITA-Omni 没有开放权重下载。官方页面没有 GitHub 仓库、Hugging Face 模型卡或 ModelScope 入口，没有公布 API 文档与计费方式。它的部署形态是智元自有机器人本体，官方明确把重点放在「本体」两个字上。

同一场创新日发布的另一个模型 GO-3 Preview 走了相反路线，计划于年底开源。智元把「开源的基座模型」和「不开源的交互模型」分开处理，前者给开发者，后者留在自家硬件里。

所以现阶段判断能不能用只有一条路径，看你能拿到什么硬件。有远征 A3-Ultra 就有 WITA-Omni，没有就只能等官方后续的开放计划。这篇自然也不写「快速开始」，它本来就不面向开发者上手。

已经上岗的场景和仍未公开的数据

官方给的落地描述是文娱导览类场景。搭载 WITA-Omni 的智元机器人在部分园区承担知识讲解、乐园导览，面对公众开放环境完成交互任务。更早的一次公开演示在 9 月 21 日大湾区电影音乐会现场，机器人需要在真实舞台灯光与多人环境里判断谁在说话、什么时候接话。

没有公开的部分同样值得记下来：参数量、训练数据规模、推理硬件的具体型号与功耗、单台机器人的交互并发上限，这四项都没出现在两份公开材料里。对一台要在门店、展馆连续工作八小时的设备来说，硬件型号和并发上限的实际意义不比榜单分数低。

还有一个常见问题是语言能力的分布。官方说法是 100 多种语言、29 种方言，但没有具体语种清单，也没有方言识别准确率。29 种方言覆盖哪些、普通话与方言混说怎么处理，目前只能等后续材料。

和 GO-3 Preview 的分工

把两个模型放进智元的「三智一体」框架里看，产品逻辑就清楚了。运动智能管走与拿，操作智能管干活，交互智能管跟人打交道。GO-3 Preview 属于具身基座模型，偏任务与操作；WITA-Omni 属于交互智能，偏对话、表情与主动服务。前者年底开源，后者留在本体，两条路线同时推进。

这解释了 WITA-Omni 的公开材料为什么几乎全是现场演示与榜单成绩，而没有开发者文档。它的公开信息密度低，恰好因为目标受众并非开发者。

常见问题

WITA-Omni 能下载或免费调用吗

不能。截至目前没有开放权重、没有 GitHub 仓库或模型卡、没有公开 API 文档与计费页。它只部署在智元远征 A3-Ultra 等自有机器人本体上。想体验只能通过购买或接触智元的硬件产品。

四个榜单第一说明它全面领先吗

不说明。领先幅度在 0.1 到 1.1 分之间，MMAU 和 EmbSpatial-Bench 只领先 0.1 分，属于同一量级的贴身竞争。Daily-Omni 的 1.1 分是相对明确的优势，另外三榜更接近贴身而非拉开差距。

400 毫秒响应能在真实场景里达到吗

400 毫秒是理想条件下的下限，官方给的平均数是 600 毫秒。而且官方没定义延迟的起止点，从语音首帧算到动作启动算出的数完全可能超过 600 毫秒。第三方实测数据目前还没有。

和普通多模态大模型相比，它的技术差异在哪

核心差异在输出层。普通多模态模型输出文字或图像，WITA-Omni 把物理动作和表情提升为与语音并列的一级输出，用一个端到端模型统一驱动感知、决策与表达，并通过 Flow Matching 加 Temporal Mixer 让三条输出挂在同一时间线上并行生成。

小结

WITA-Omni 的真实贡献是把具身交互的架构问题摆到了台面上：智能体在物理世界里的输出不只是文字，语音、表情、动作要共用一条时间线，模型还要自己决定何时开口。这套设计的完整度在目前的公开材料里属于第一梯队。

它的实际边界同样清楚。四个榜单第一但领先幅度极小，400 毫秒的下限与 600 毫秒的平均值之间有明显差距，没有权重也没有 API，参数量与硬件型号全部缺席。这更像一次能力与测试口径的集中披露，把此前零散的现场片段收拢成一份可核对的能力清单。接下来的看点很明确：第三方拿设备独立实测，以及智元会不会公布运行时长与并发数据。

相关技术脉络可以对照 狮子山 Lion-ER-35B-A3B 具身模型 的评测方式，触觉这条输入通道则与 蚂蚁灵波 LingBot-Touch 触觉模型 属于同一波研究浪潮。全双工语音的延迟工程细节可参考 Shizuku-Duplex 全双工语音，具身模型的空间理解能力对照 普林斯顿 SSoN 空间基准 的口径。