逆袭登顶！智元全模态大模型碾压谷歌英伟达，拿下全球具身AI榜首

逛热闹的展厅，一群人围在一起闲谈，机器人站在人群中间，该如何分清嘈杂环境里谁在呼唤自己？与人交谈时，能抓住对方说话停顿的空隙顺势接话，被中途打断后顺畅衔接没说完的内容，开口作答的同时，配合语气做出抬手、点头、浅笑的神态动作……这些普通人日常聊天再平常不过的细节，恰恰是过去人形机器人最难翻越的大山。

长久以来，机器人行业陷入了一个尴尬困局：视觉识别、语音转文字、肢体运动每一项单独拉出来都成绩亮眼，可把看、听、说、动整套动作连贯融合，复刻人类自然交流状态，始终差着关键一截。各个感知模块各自运转，没法在同一时间线上协同配合，交互生硬、反应迟缓成了所有商用机器人的通病。

2026年7月，这一行业短板迎来重大突破。智元自研具身原生全模态大模型WITA-OmniPreview，拿下全球具身全模态理解权威榜单DailyOmni综合第一名，85.21分的总分超越千问、Gemini、豆包、英伟达等一众通用大模型厂商产品，八项细分评测里六项斩获榜首。一家深耕人形机器人本体的企业，反倒在全模态交互赛道跑赢了主流AI大厂，也为人形机器人走进家庭、工厂、线下服务场景打通了交互最后一关。

一、DailyOmni硬核大考：拼的不是看图听音，是声画同步理解

市面上绝大多数AI大模型评测，大多停留在静态图文问答、短视频内容解读层面，只需要AI看懂一张图片、一段剪辑好的短片给出答案就行，适配的是手机、电脑上线上刷内容的场景。但DailyOmni评测标准完全贴合机器人所处的真实物理世界，堪称人形机器人交互能力的摸底大考。

这份榜单全程采用商场、展厅、居家等开放空间的原生音视频素材，环境里充斥多人交谈杂音、背景响动、连续发生的各类琐事，核心考察三项硬核能力：精准匹配说话人与画面声源、理清整件事情发生的先后时序、结合画面与声音完成综合推理。简单来讲，就是考验AI能不能身临其境看懂、听懂动态环境里正在发生的一切。

WITA-Omni交出的答卷足够亮眼：音视频对齐、事件时序判断、长视频理解、综合推理等核心维度全线领跑。最值得行业深思的一点是，榜单前列几乎都是互联网大厂打造的通用全模态模型，主打线上数字内容交互；唯有智元是纯粹的具身智能玩家，所有技术打磨都围绕机器人面对面人机交互场景展开。

以往大家提起智元，最先想到的是可量产人形机器人整机、工厂作业机器人落地能力；这次登顶全球榜单意味着，智元早已不止是硬件制造商，底层AI大模型能力正式跻身全球第一梯队，从造机器人身体，进阶到打造适配物理世界的智能大脑。

二、重构底层架构：摒弃流水线模式，实现边想边说边动

过去机器人交流生硬，根源在于老旧的串行流水线架构。传统交互流程是死板的先后顺序：先收录语音→解析文字语义→生成回答文本→合成人声语音→最后下达指令调动肢体做出动作。一环传递给下一环，层层叠加延迟，信息流转中还会不断丢失细节。

最终呈现出来的效果十分割裂：机器人听完话要愣几秒才开口，话说完半天，手势和面部表情才慢悠悠跟上；开心的语气搭配紧绷的面部，讲述内容时手部动作杂乱无章，全程充满机器感。

WITA-Omni彻底推翻了这套串行逻辑，在经典Thinker-Talker双模块基础上新增Actor动作表情模块，搭建起三位一体同步运行架构，让思考、说话、肢体表达三件事在同一时间轴并行推进。

Thinker作为核心推理中枢，把画面、声音、文字全部转化为统一信息维度，实时判断当下该回应谁、何时开口；Talker流式输出语音，随时感知停顿、重音、情绪起伏；Actor模块不再是语音的附属品，会跟着说话语速、语气变化实时调动手臂动作、面部神态。

得益于跨流同步机制，机器人开口讲话的瞬间，抬手、点头、挑眉等动作同步启动，语速放缓时肢体动作随之舒缓，被人打断讲话可以立刻收住话语，待对方说完无缝接续前文。理解、表达、动作不再是割裂步骤，而是融为一体的自然输出，从根源上消解了机器人交互的迟钝与割裂感。

三、千万小时数据打磨：让机器人从真实对话里学会聊天分寸

大模型比拼早已不再是单纯堆砌参数，尤其面向具身交互的模型，高质量时序交互数据才是核心壁垒。网络上公开的音视频素材大多没有对话轮次、回应时机、肢体动作匹配标注，用这类数据训练出的AI，永远拿捏不好聊天节奏，分不清什么时候该倾听、什么时候该发言。

为适配机器人交互需求，智元搭建了专属分层数据训练体系。前期千万小时级多模态数据打底，音视频联合素材占比四成，重点训练声画对应与时序认知；音频、视觉、文本素材合理配比，夯实视听语言基础。更关键的是，团队自建了以人为核心的专属交互数据集，收录海量人与人、人与机器人面对面沟通画面，完整标注对话切换节点、回应时机、手势表情搭配逻辑。

除此之外，模型采用SFT监督微调、OPD同策略蒸馏、RL强化学习三段式后训练流程。强化学习阶段设置多重奖励标准，不仅要求回答内容准确，还会考核是否随意插话、停顿把控、打断衔接效果。日复一日训练下来，AI不再只会机械作答，慢慢掌握了人际交往里的分寸感：别人倾诉时安静聆听，对方短暂停顿适时接话，不会自顾自滔滔不绝。

四、全双工对话领先：聊天节奏自然，才算交互合格线

回答准确只是人机交互的基础门槛，舒服的对话节奏，才是普通人感知最直观的体验。为验证语音交互硬实力，智元将WITA-Omni放在国际权威SpeechArena两大语音基准里测试，最终在音频推理、全双工对话两项评测中拿下第一，成绩超越GPT-Realtime等海外顶尖闭源语音模型。

全双工对话能力，就是我们日常聊天“一边听一边说”的状态：交流过程中始终保持收音，既能实时接收对方话语，又能同步输出自己的内容，灵活把控对话轮次。很多大模型离线答题正确率很高，一旦进入实时对话场景短板尽显：要么不停抢话打断对方，要么过度沉默迟迟不回应，被打断之后直接丢失上下文，对话彻底中断。

WITA-Omni补齐了这块短板：多人嘈杂环境里精准锁定专属交谈对象，过滤无关背景噪音；交谈中途可以接收附和话语，调整自身表达节奏；突发打断发生时，快速记忆前文内容，自然延续话题。放到线下门店接待、居家陪伴、展厅讲解场景中，用户不会觉得自己在和一台机器对话，更像是和一位反应温和、懂得倾听的伙伴闲谈。

五、三智一体成型，具身智能迎来落地新阶段

一直以来，智元围绕运动智能、作业智能、交互智能打造完整技术版图，也就是“三智一体”体系：运动智能保障机器人顺畅行走、灵活活动；作业智能让机器人能够完成搬运、装配等各类劳作任务；此次交互智能登顶全球榜单，补齐了最后一块拼图，整套自研能力闭环彻底成型。

此前智元世界模型拿下WorldArena赛道冠军，作业、运动基座模型早已批量搭载在量产工业机器人上；如今交互大脑迎来突破，三大智能协同运转，刚好契合2026年具身智能行业从实验室研发转向线下规模化部署的大趋势。

未来走进工厂车间，机器人可以听懂工人指令、配合手势协作干活；入驻商场门店，能热情接待顾客、答疑讲解；走入普通家庭，陪伴老人闲谈、协助打理日常琐事。衡量人形机器人优劣的标准，早已不再是单项技术参数高低，而是整体协同带来的自然体验。WITA-Omni的突破，不止是一次榜单上的胜利，更让机器人真正融入普通人生活，迈出了坚实的一大步。