多模态基础模型新进展：统一视觉、听觉与物理世界理解

原生多模态（Native Multimodal）的终结之战

过去的“多模态”往往是 ASR（语音识别）+ LLM（文本）+ TTS（语音合成）的拼接。而新一代模型采用原生端到端架构，能够捕捉人类语调中的情绪、迟疑以及视觉画面中的细微物理变化。

• 超低延迟响应：端到端延迟压缩至 200ms 以内，媲美真人对话节奏。
• 空间感知与动作预测：为具身智能机器人和空间计算设备提供了统一的大脑底座。