智元发布 WITA-Omni 具身全模态端到端交互大模型

智元发布 WITA-Omni（硅光动语全模态大模型），官方称其为行业首个具身全模态端到端交互大模型，在音视频之外新增触觉、本体状态输入和机器人动作、表情输出。模型基于流式全双工架构，官方给出的交互响应最快约 400 毫秒、平均约 600 毫秒，较业内平均水平快近 3 倍，并支持免唤醒词的全模态拒识、上百种语言和方言的流式同声传译。