智元自研的具身原生全模态大模型 WITA-Omni Preview 近期登顶了 DailyOmni 全模态理解榜单，这一成绩根据公开资料获得。该榜单被行业公认为检验音视频时序对齐和跨模态联合推理能力的权威第三方榜单。
WITA-Omni Preview 在本次测试中取得了显著的领先地位，其综合成绩达到了 85.21 分，从而登顶了 DailyOmni 全模态理解榜单。更值得关注的是，WITA-Omni Preview 在 DailyOmni 的八项细分指标中获得了六项第一的优异表现。
从技术实现层面看，WITA-Omni 的领先性体现在其模型架构的创新上。该模型的特点在于它将物理动作和表情提升到了与语音并列的一级输出地位，从而使用一个原生端到端模型来统一驱动感知、决策与表达过程。
支撑这一先进能力的背后，是智元在数据层面的投入。WITA-Omni 使用了总计千万小时级的开源和自有多模态数据进行训练，目的是将原有的强文本、视觉底座升级为一个真正意义上的全模态模型。此外，智元还构建了以人为中心、面向真实交互场景的大规模高质量全模态数据集。
在时间线和背景分析上，此次登顶的意义在于它展示了一个从传统多模态处理向原生具身理解演进的关键节点。以往的模型可能分别处理语音、视觉等模块，而WITA-Omni 的设计理念则强调了动作与表情作为核心输出维度，使其更贴近真实世界的交互需求。
影响分析方面，DailyOmni 榜单的权威性意味着其测试标准对模型的要求极高，尤其是在时序对齐和跨模态联合推理上。WITA-Omni Preview 在此领域的全面领先，预示着具身大模型在理解复杂、连续的人机交互场景中具备了强大的潜力。
从读者提示的角度来看，对于关注人工智能前沿技术的研究人员或企业开发者而言，智元 WITA-Omni Preview 的成功展示了一个清晰的研发方向：即构建能够原生处理物理动作和表情等高维度的统一模型。这标志着大模型正在从“理解信息”向“模拟交互行为”迈进。
综上所述，本次事件的核心在于智元通过其独特的端到端架构和海量高质量数据集的训练，使 WITA-Omni Preview 在行业公认的权威测试平台 DailyOmni 上展现出领先能力，为具身智能领域树立了新的标杆。
信息来源
本文基于上述公开资料整理，未使用来源页面的图片、视频或嵌入媒体。