XBot-Omni:面向具身交互的全模态模型
XBot-Omni: An Omni-Modal Model for Embodied Understanding and Interaction
AI 摘要
Kerui Gu 等研究者提出 XBot-Omni,将 Omni 全模态范式扩展到机器人特有的身体运动与面部表情模态。模型采用 Thinker–Talker–Actor 三段架构:Thinker 处理文本、图像、音频和视频并生成情境化回应,Talker 负责语音表达,Actor 则以流式端到端方式生成协调的肢体动作与表情。
标题与摘要由 AI 根据原文自动生成,可能存在偏差;具体数据与结论请以原文为准。