把视角放到一台一米七的机器人身上。你走过去跟它说话,它先把脸转过来,屏幕上的眼睛对上你的眼睛,这才开口。开口的同时,右手已经抬到胸前的高度,等你握。
我们习惯的对话机器没有身体。它们有耳朵,有眼睛,能听能看能说,但你让它递一杯水,它不知道自己的手此刻在哪,也不知道伸出去会不会撞到桌角。
2026 年 11 月 10 日晚,智元机器人发布了 WITA-Omni,中文名"硅光动语",官方给它的定位是"行业首个具身全模态端到端交互大模型"。这句话里最要紧的词不是"首个",是"具身"。


先让它知道手在哪
过去说"多模态",基本指三种东西:文字、图像、声音。摄像头给它画面,麦克风给它声音,模型说一句"好的",然后另有一套运动规划程序,把这句话翻译成一串关节角度。
WITA-Omni 把两类新信号直接接进了输入端。一类是触觉,手指按到了什么、按多深;另一类是本体状态,关节位置、运动速度、身体姿态、接触状态、执行器反馈。人闭着眼睛也知道自己手臂抬到了哪儿,靠的就是这一套。
输出端也换了。除了话,它还要给出动作、头部姿态、面部表情。中间那层翻译被拿掉,才有"嘴上说很高兴见到你,手也真的握上去"的可能。

四百毫秒里的四件事
从你张嘴到它回话,官方给的数字是最快约 400 毫秒,平均约 600 毫秒。据智元公布,这比业内平均水平快近 3 倍。400 毫秒不够眨两次眼。
这段时间里要跑完四件事。先听,把麦克风收进来的声音变成它理解的东西;再判断,这句话是不是冲我来的;然后决定回什么;同一个瞬间起动作和表情——不是等话讲完才动,是话说到一半,手已经在半路上。
架构上叫"流式全双工"。搁在日常对话里,意思是你说到一半卡住,它能接;话说错了想改口,它跟得上;两个人同时开口,它不会死等一句完整的话。远征 A3 身上有 8 个麦克风、多路摄像头和激光雷达,这些是它的感官入口。
决定不回应,比回应难
人聊天有很大一部分工夫花在"不接"上。旁边有人说话,你不接;电视在放广告,你不接;有人喊的是隔壁的老王,你也不接。机器过去靠唤醒词解决这件事,代价是每句话前都要先喊一遍名字。
WITA-Omni 把唤醒词去掉了,换成"全模态拒识"。判断依据包括对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文。你在跟别人讲话,它的摄像头看得见你的脸朝着谁;电视里的声音没有唇动配合;声纹对不上,它就不认。
拒识难在它是负样本的活。认对了没人夸,认错了就是打扰,而被打扰这件事,用户记很久。多人闲聊、商场广播、隔壁工位的外放,这些场景里的误触发率是多少,官方没有给出数字。
一张会做表情的脸
语言上是上百种语言和方言免切换,能做流式同声传译和双向互译。情绪给了几十种,每种还分强度,实时呈现在面部的屏幕上。远征 A3 配的是高清面屏,那些表情是画出来的,不是肌肉动出来的。
画出来的表情有个老问题:它得先被决定。人笑是全脸一起动,机器笑是屏幕上一块区域的亮度和曲线变了。近看能挑出不对劲,隔一两米看够用,展厅里的距离,恰好是够用的距离。
它已经部署在量产机型远征 A3-Ultra 上。这一点比任何参数都实在:不是实验室里的样机,是能装箱出货的机器。至于出货之后在真实场景里表现如何,要看后面几个月的用户反馈。

榜单第一,和榜单之外
榜单上它拿了四个第一:Daily-Omni、TimeLens-Bench、EmbSpatialBench、MMAU。按智元的说法,这几项验证的是"看懂听懂"。触觉、动作、表情、拒识这四块,眼下没有第三方公开评测,谁也没法拿分数说话。
"快近 3 倍"是官方口径,没有公开测试硬件、网络条件、统计口径和对照系统。照这个说法倒推,对比对象大约在 1.8 秒量级。今年 5 月智元讲 WITA 路线时提过,要把端到端交互时延压到 500 毫秒以内;现在给的是最快 400、平均 600。首 token、完整语义、动作启动,三种定义会得出三个不同的数。
更要紧的是尾延迟。平均 600 毫秒好看,可连续工作几小时、环境嘈杂、几个人抢着说话的时候,P95 和 P99 落在哪儿,官方没公布。用户真正记住的往往不是最快的那一次,是最慢的那一次。
一台机器学会说话花了好几年。学会知道自己的手在哪儿、什么时候该闭嘴,才刚开始。它在展厅里跟你握手的那一下,是真明白了,还是碰巧对了,得等它在厨房和医院走廊里待够时间,才看得出来。