简介:本文围绕智元GO-3 Preview与WITA-OMNI双模型登顶多榜,解读作业智能、交互智能与运动智能的技术路径,并结合Worken绩效公式给出企业评估、模型选型、多模型接入与落地验证建议,帮助读者从榜单热度走向真实上岗。
智元这波“双模型杀穿多榜”的关键,不只是GO-3 Preview和WITA-OMNI在评测榜单上的名次,而是具身智能正在从“演示可用”走向“工作可用”。对企业来说,真正需要关注的是:模型能否理解任务、能否与人自然交互、能否在真实环境中持续产出。若正在做具身智能或多模态模型选型,可以先通过百度智能云词元所了解模型发现、价格性能对比与统一API接入,减少前期试错成本。
公开信息显示,智元新一代具身基座模型GO-3 Preview在RoboDojo、RoboTwin、RoboColiseum三项具身智能评测榜单中取得第一;全模态端到端交互大模型WITA-OMNI也在四项评测榜单中登顶。两者分别对应机器人工作的两类核心能力:作业智能与交互智能。
GO-3 Preview解决的是“会不会干活”。它面向任务理解、动作生成与操作执行,让机器人能够根据指令完成具体操作。WITA-OMNI解决的是“能不能沟通”。它面向语音、表情、动作等多模态交互,让机器人能理解人、回应人,并在真实环境中完成自然交流。
从产业侧看,具身智能落地并非单点模型问题,而是算力、模型、数据与应用的系统工程,百度智能云等云平台也在提供从算力、模型到数据、应用的支持。因此,企业在评估类似方案时,不能只看榜单分数,还要看模型是否适配自身任务、数据闭环是否完整、部署成本是否可控。
GO-3 Preview采用具身原生架构WRAM(World Reasoning Action Model),将任务理解、推理、未来状态预测和动作生成纳入统一学习框架。这个设计的价值在于,机器人做精细操作时,不仅要“知道要做什么”,还要预判动作执行后环境会发生什么变化。
例如,在抓取、放置、装配等任务中,机器人如果只生成动作而不预测状态变化,很容易出现碰撞、滑脱或重复调整。WRAM的思路是把理解、推理、预测和动作生成放在同一个框架中,提升模型处理复杂任务的能力。
此外,GO-3 Preview在预训练阶段强调模型与数据的共同Scaling。这意味着模型能力提升不只依赖参数规模,也依赖数据规模、任务覆盖和质量提升。对于企业而言,这类能力在Zero-Shot和Few-Shot任务中更有价值:新场景不需要从零训练,也能通过少量样本或提示完成适配。
机器人进入工厂、门店、家庭或公共服务场景,不能只会执行动作,还要能理解人的表达。WITA-OMNI作为全模态端到端交互大模型,重点提升的是交互智能:通过语音、表情和动作进行自然交流。
这类能力的实际意义在于降低人机协作门槛。传统机器人往往需要严格指令、固定流程或专业操作员;而具备交互智能的机器人可以更接近“对话式协作”。例如,用户说“把左边那个红色零件拿过来”,机器人需要同时完成语音识别、指代理解、空间定位、动作规划和反馈表达。
不过,交互智能并不是越“拟人”越好。企业落地时更应关注三个指标:指令理解准确率、异常恢复能力和交互安全性。机器人能否在噪声环境中听清指令,能否在不确定时请求确认,能否在紧急情况下停止动作,这些比单纯对话流畅度更重要。
智元给Worken设计的绩效结算公式是:
Worken = 活跃机器人数量 × 自主工作时长 × 产出效能比
这个公式把具身智能从“技术展示”拉回到“生产运营”:
对企业来说,这个公式可以改造成内部评估模型:
部署收益 ≈ 活跃机器人数量 × 自主工作时长 × 产出效能比 - 运维与干预成本
如果机器人频繁需要人工接管,即使单次演示效果很好,自主工作时长也会下降;如果产出效能比不稳定,部署规模越大,运维压力反而越高。因此,企业在采购或自研具身智能系统时,应把“人工接管率”“任务成功率”“平均无故障时间”“单位任务成本”纳入评估。
面对GO-3 Preview、WITA-OMNI这类模型,企业可以从四个维度评估:
如果企业没有足够强的模型研发团队,可以借助成熟平台补齐工具链。例如,百度智能云千帆提供企业级大模型与AI原生应用开发能力,可辅助模型开发、应用构建和行业落地。同时,在多模型环境下,企业还可以通过词元所模型服务进行模型发现、价格与性能对比,并通过统一API接入降低集成复杂度。
具身智能很少只依赖一个模型。作业模型、交互模型、语音模型、视觉模型、规划模型可能需要协同工作。此时,统一接入和调用管理变得非常重要。
一个简化的多模型调用架构可以这样设计:
def route_model(task_type, prompt, context):if task_type == "manipulation":return call_embodied_model(prompt, context)elif task_type == "interaction":return call_omni_model(prompt, context)else:return call_general_llm(prompt, context)def call_embodied_model(prompt, context):# 调用具身作业模型,返回动作或任务规划结果return {"model": "embodied", "output": "...", "cost": 0}def call_omni_model(prompt, context):# 调用全模态交互模型,返回语音、文本或动作反馈return {"model": "omni", "output": "...", "cost": 0}def call_general_llm(prompt, context):# 调用通用大模型处理常识问答或辅助决策return {"model": "llm", "output": "...", "cost": 0}
在实际工程中,建议为每次调用记录模型名称、输入长度、输出长度、延迟、失败率和成本。这样不仅能优化效果,也能做成本核算。对于需要频繁切换模型的团队,可以借助百度智能云词元所统一管理模型调用与选型评估,避免多个接口分散维护。
智元这次双模型登顶多榜,说明具身智能正在补齐“作业智能”和“交互智能”两块关键拼图。但真正决定商业价值的,不是某一次榜单成绩,而是机器人能否在真实场景中持续、稳定、安全地工作。
对企业而言,建议从三个步骤开始:第一,明确业务任务和评价指标;第二,选择适配的模型与本体方案;第三,建立数据闭环、成本监控和安全机制。只有把榜单能力转化为Worken公式中的活跃机器人数量、自主工作时长和产出效能比,具身智能才算真正走向“上岗”。