过去两年，具身智能的进展大多体现在"看懂"和"想明白"两个环节：视觉模型识别物体，规划模型拆解步骤，动作模型负责执行。但真正与人相处时，机器人最先被感知到的其实不是这些能力，而是它能不能在你说话时接上话、能不能在合适的时机抬头看你一眼。智元机器人 11 月 10 日晚间发布的 WITA-Omni，试图补的正是这一层。
主体与定位
智元机器人（AGIBOT）是国内具身智能领域的头部公司之一，产品线覆盖双足人形、轮式机器人与灵巧手，同时对外提供具身基座模型。此次发布的 WITA-Omni 中文名为"硅光动语全模态大模型"，官方给它的定位是"为物理世界而生的交互大脑"，并称其为行业首个具身全模态端到端交互大模型。
这个"全模态"不是惯常意义上的文本加图像加语音。WITA-Omni 的输入端在音视频之外增加了触觉信号与机器人本体状态——关节角度、姿态、受力这些机器人自身的感觉；输出端则从文字与语音扩展到机器人动作序列与面部表情。换句话说，它把"感觉—判断—表达—行动"收在同一条链路上，而不是让不同模型各管一段再拼装。
架构与响应
支撑这套能力的是流式全双工架构。传统语音交互是串行的：先听完整句，再识别语义，再生成回答，再合成语音，每一步都要等上一步结束。全双工允许模型在对方说话的同时持续处理，边听、边想、边应、边动、边做表情。
官方给出的量化指标是：交互响应最快约 400 毫秒、平均约 600 毫秒，约为业内平均水平的三分之一耗时。这个数字在人际对话里属于可接受区间——人类对话中的应答间隔通常在几百毫秒量级，超过一秒就会显得迟疑。
免唤醒词与拒识
取消唤醒词是另一个体验层面的跃迁。WITA-Omni 引入全模态拒识能力，综合对话朝向、视频画面、音频、声纹、唇动、姿态、语义与上下文，判断当前这句话是否需要自己回应。这意味着机器人不再需要"小某小某"来启动，而是像人一样判断"这句话是不是对我说的"。
难点在于误触发。多人交谈、电视播放、环境广播都是干扰源，判断错误会导致机器人频繁抢话。智元方面称该机制在干扰场景下大幅降低了误触发率，让机器人"更懂看场合"。这一点如果稳定，会直接改变人对机器人的观感——从"设备"变成"在场者"。
语言与情绪
语言能力上，WITA-Omni 支持上百种语言与方言的免切换自由交流，结合全双工架构实现流式同声传译，覆盖语言传译与方言传译，并支持双向互译。
情绪表达是这代模型着重打磨的部分。倾听时，机器人通过细腻表情与自然的头部动作给出回应；表达时，参数化面部表情、声音与肢体动作协同，呈现开心、惊讶、激动、悲伤、满意、痛哭、认真、自信等数十种情绪，每种情绪还有强度分级——同样是开心，可以浅笑，也可以开怀大笑。这种分级看似细节，实际决定了表达是否显得机械。
模型还能"画"。遇到难以口头说清的内容，例如讲解复杂产品或给孩子讲科普，它会把信息实时可视化在面部屏幕上。此外它具备主动交互能力：见到访客主动迎接并伸手握手，收到点赞给出开心回应，看到挥手告别立刻挥手相送。
能力底座与验证
今年 7 月，WITA-Omni Preview 曾以 85.21 分登顶 DailyOmni 全模态理解榜单，超过千问、Gemini、豆包、英伟达等模型，并在八项细分指标中的六项取得第一。这次正式版把能力从"理解"推到"交互闭环"，指标口径也从榜单分数换成响应时延与任务完成。
产业含义
对产业链来说，这条路线提出一个更苛刻的要求：交互能力不能只在自家本体上成立。触觉输入意味着要对接不同厂商的传感器，动作输出意味着要适配不同的自由度构型。谁能把接口做成事实标准，谁就能把"交互大脑"卖成通用件而不是整机附属品。
对用户而言，变化可能比参数更直观。当机器人能判断你在跟谁说话、能听懂方言、能在你难过时收住玩笑，评价它的标准就从"能不能干活"扩展到"相处是否自然"。这条路线的天花板不由 benchmark 决定，而由千万次真实对话里的尴尬次数决定。