智元全模态大模型，登顶全球第一！力压谷歌英伟达，跑赢大厂

智东西 作者 | 江宇 编辑 | 漠影 当一台机器人站在多人交谈的展厅里，它能不能从嘈杂声中听出谁在和自己说话，判断一句话是否需要回应；能不能在对方停顿时接过话头，被突然打断后自然续上；还能不能一边回答，一边配合语气做出恰当的手势和表情？ 这些看似寻常的交流细节，是具身智能的核心能力，也是机器人跨越自然交互门槛时最难补齐的一环。 长久以来，机器人行业困在一个尴尬的悖论里：单项能力不断突破，把“ 看、听、说、动 ”揉成一个连贯的、像人一样的整体，始终差着一口气。 这道鸿沟的本质，是 交互 能力跟不上——感知、推理、语音、动作各跑各的，始终没有在同一个时间轴上协同起来。 近日，智元自研的全模态大模型WITA-Omni Preview给出了一份有分量的答卷。 在行业公认的具身全模态理解权威榜单DailyOmni上，它以85.21分的综合成绩登顶榜首，超越千问、Gemini、豆包、英伟达等国内外领先模型，八项细分指标中六项拿下第一。 在“看懂环境、听懂声音、边听边想、边说边动”这条核心交互能力主线上，一家专注具身智能的企业，跑到了通用大模型厂商的前面。 此前，智元自研世界模型Genie Envisioner-Sim 2.0已在WorldArena“世界模型感知与动作响应”赛道拿下总分第一 。此次WITA-Omni又在全模态理解榜单登顶，两项成绩分别对应机器人理解物理世界、模拟物理世界以及与物理世界交互的关键能力。 这也让外界观察到，智元在造机器人本体之外，正同步构建出“交互-作业-运动”三位一体的自研AI版图。 一、一场“声画对位”的大考：DailyOmni凭什么检验真正的全模态能力