模型 · 具身交互

它能不能听懂人、看懂周围发生了什么？

能看、能听、能对话的全模态模型：听懂语音，同时理解声音和画面，知道事情在什么时候发生，让机器人能和人一起工作。

Daily-Omni

音视频问答平均准确率，%

#1 · Daily-OmniAgiBot WITA-Omni 1.086.22%

1AgiBot WITA-Omni 1.086.22%

2AgiBot WITA-Omni Preview85.21%

3Qwen3.8-Omni-Flash (thinking)85.1%

4Qwen3.5-Omni-Plus84.68%

5Gemini 3.1 Pro Preview82.79%

6Doubao Seed 2.0 Lite82.12%

7NVIDIA Nemotron 3 Nano Omni 30B74.52%

8Qwen3-Omni-30B-A3B-Thinking73.6%

来源: Daily-Omni project page · 抓取日期 2026-10-30 · Daily-Omni 论文作者（Zhou、Wang、Wu、Jiang） · 结果来自各榜单公开数据，我们没有重新测试

MMAU

test 集平均准确率，%（MMAU-v05.15.25）

#1 · MMAUAudio-Thinker75.98%

1Audio-Thinker75.98%

2Nova 2 Omni75.28%

3Step-Audio-273.86%

4MiMo-Audio72.59%

5Audio Flamingo 372.42%

6Qwen2.5-Omni71%

7Step-Audio-2-mini70.23%

8Gemini 2.5 Pro69.36%

来源: MMAU leaderboard · 抓取日期 2026-10-30 · 马里兰大学（MMAU 作者） · 结果来自各榜单公开数据，我们没有重新测试

TimeLens-Bench

三个精修时序定位数据集的平均分（IoU 0.3/0.5/0.7 召回率与 mIoU）

#1 · TimeLens-BenchAgiBot WITA-Omni 1.066

1AgiBot WITA-Omni 1.066

2TimeLens2-8B65

3TimeLens2-4B65

4Gemini 2.5 Pro63

5TimeLens2-2B61

6TimeLens-8B60

7Gemini 2.5 Flash57

8Qwen3-VL-235B-A22B57

来源: TimeLens-Bench leaderboard · 抓取日期 2026-10-30 · 腾讯 ARC Lab · 结果来自各榜单公开数据，我们没有重新测试