非凡国际(中国区) - 官方网站

非凡国际(中国区) - 官方网站

行业首个具身全模态端到端交互大模型

The Industry's First Natively Omni Foundation Model for Embodied Interaction

WITA-Omni(硅光动语全模态大模型)在AI DAY非凡国际创新日正式发布

非凡国际正式发布 WITA-Omni(硅光动语全模态大模型)——行业首个具身全模态端到端交互大模型。不同于智能手机、音箱和座舱,机器人面对的交互场景更加复杂,包括更嘈杂的环境、更多变的交互对象、更远的交互距离、更频繁的位置变化等。WITA-Omni基于机器人本体感知数据深度训练,除了音视频输入输出,还新增支持触觉、本体状态等输入,以及机器人动作、表情等输出,让机器人第一次拥有为物理世界而生的“交互大脑”。

非凡国际创新日(AI Day)现场,非凡国际联合创始人、联席总裁、中央研发部总裁、交互业务体系总裁熊彦与搭载 WITA-Omni 的非凡国际远征A3-Ultra进行长达十分钟实时互动,现场极限压力测试,WITA-Omni 全程稳定表现,充分展现了 WITA-Omni 在极速响应、全模态拒识、语言大咖、超强拾音、灵动情感、智能面屏、全时自主、本体部署方面的八大核心能力。

八大核心能力实现系统性突破

极速响应、全模态拒识、语言大咖、超强拾音灵动情感、Intelligent FaceUI、全时自主、本体部署

WITA-Omni 斩获多个具身交互相关榜单第一名

WITA-Omni 已登顶多个具身交互相关的权威榜单:全模态理解榜单 DailyOmni、视频时序定位榜单 ActivityNet-TimeLens、音频理解榜单 MMAU、具身空间理解榜单 EmbSpatialBench,全面体现其在具身全模态交互领域的技术领先性。

全模态理解榜单

Daily-Omni
TOP 1
  1. 1WITA-Omni 1.086.2
  2. 2Qwen3.5-Omni-Plus85.1
  3. 2Qwen3.8-Omni-Flash85.1
  4. 4Gemini 3.1 Pro Preview83.6
  5. 5MiMo-V2.583.5
  6. 6Qwen3.5-Omni-Flash81.8
  7. 7Seed2.0 Lite81.4
  8. 8MiniCPM-o 4.580.2

视频时序定位榜单

TimeLens-Bench
TOP 1
  1. 1WITA-Omni 1.066.4
  2. 2Seed2.0 Lite65.1
  3. 3Gemini 2.5 Pro62.9
  4. 4Gemini 2.5 Flash57.4
  5. 5MiMo-V2.555.8
  6. 6Qwen3.8-Omni-Flash55.3
  7. 7Qwen3.5-Omni-Flash52.5
  8. 8GPT-547.9

音频理解榜单

MMAU
TOP 1
  1. 1WITA-Omni 1.082.6
  2. 2Gemini 3.1 Pro82.5
  3. 3Qwen3.5-Omni-Plus81.9
  4. 4Qwen3.8-Omni-Flash81.8
  5. 5Qwen3.5-Omni-Flash80.4
  6. 6Ming-Flash-Omni 2.077.5
  7. 7Seed2.0 Lite77.2
  8. 8Inkling-Small77.0

具身空间理解榜单

EmbSpatial-Bench
TOP 1
  1. 1WITA-Omni 1.085.5
  2. 2Qwen3.5-Omni-Plus85.4
  3. 3Qwen3.8-Omni-Flash84.5
  4. 4Gemini 3 Pro84.3
  5. 5Seed2.0 Lite83.1
  6. 6Qwen3.5-Omni-Flash82.7
  7. 7Gemini 2.5 Pro78.8
  8. 7Gemini 2.5 Flash78.8

* 以上数据时间更新于 2026 年 10 月

技术架构:从底层为具身交互原生设计

WITA-Omni 技术架构动效,展示具身交互训练范式、流式全双工与快交互和深思考的协作

具身交互训练范式全模态预训练、具身行为对齐、交互策略强化

WITA-Omni从底层为机器人交互原生设计:视觉、听觉、语言、表情、动作统一建模。全模态预训练打下跨模态理解的基础;具身行为对齐基于机器人本体数据,让模型的语音、表情与动作输出贴合本体能力;交互策略强化则让机器人学会何时回应、接话、让话与主动交流。

流式全双工边倾听、边理解、边回应

系统流式接收输入,同步流式生成语音、表情与动作,听说并行。倾听时即有点头、注视等反馈。实时判断用户是暂时停顿还是已经说完,把握应答、插话及让话时机,实现低时延接续与随时打断。

快交互 × 深思考基础任务即时交互不中断,复杂任务云端深度思考

针对对话要求响应要快、复杂任务却需要长时思考的矛盾,WITA-Omni 采用快慢双模系统:前台 Interaction Engine 流式理解、即时回应,后台 Background Agent 负责推理、规划、工具调用与长程任务。两者共享上下文与时间线,用户可随时补充、纠正或取消,后台任务实时调整。

WITA-Omni 八大功能真实体验

八个功能真实体验视频,依次呈现超强拾音、极速响应、全模态拒识、语言大咖、灵动情感、Intelligent FaceUI、全时自主与本体部署。各片段对应八项核心能力,让从感知到表达的实际效果可以逐项查看。

01 超强拾音

针对自身噪声干扰、目标移动、嘈杂环境与多人混叠等难点,WITA-Omni 自研视听融合感知前端:结合本体状态消除回声与自噪声,持续锁定移动中的交流对象,融合声纹、唇动与视觉定位提取目标语音、抑制环境噪声。

02 极速响应

基于流式全双工架构,WITA-Omni 可做到边听、边想、边应、边动、边做表情,减少传统串行处理中的等待。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。

03 全模态拒识

全模态拒识让机器人交互不再需要唤醒词,全程自然对话。系统结合对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文,决策当前发言是否需要回应。面对多人交谈或环境广播等干扰时,极大降低误触发,让机器人更懂得“看场合”。

04 语言大咖

WITA-Omni 支持上百种语言和方言的免切换自由交流,并结合全双工架构,实现了流式同声传译(语言传译&方言传译),以及双向互译。

05 灵动情感

WITA-Omni 情感表现力更加拟人。倾听时,通过细腻的表情和自然的头部动作给予回应;表达时,结合参数化的面部表情、富有感染力的声音与协调的肢体动作,生动呈现开心、惊讶、激动、悲伤、满意、痛哭、认真与自信等几十种情绪。每种情绪还能展现不同强度:同样是开心,既可以浅浅一笑,也可以开怀大笑,让对话更真实、更有温度。

06 Intelligent FaceUI

WITA-Omni 不仅能说、能看、能动,还能画。当我们想讲一个复杂产品时,或想给孩子讲一个科普小知识时,WITA-Omni 会智能决策,将一言难尽的内容在面部屏幕实时可视化出来,让用户一目了然。

07 全时自主

WITA-Omni 能够持续感知周围环境、用户状态及其变化,自主思考、决策并采取行动,在恰当时机主动发起互动。机器人有自己的小心思:见到贵宾,会主动欢迎、伸手握手;收到点赞,会开心回应;看到用户挥手告别,也会立刻挥手相送。

08 本体部署

基于非凡国际远征A3-Ultra的强大算力和大量推理优化,WITA-Omni是业内首个实现在量产机器人本体部署的大参数量模型,有效解决隐私保护、无网交互、以及实时计算的问题。

让每一次看见、听见与触碰
都有智能的理解与回应