【广州日报】对于人形机器人交互能力来说，以往的全模态模型大多优先适配线上数字内容交互，而机器人身处持续变化的物理空间，不仅需要同步“看见画面、听见声音”，更要实时判断声音归属主体、事件发生顺序，识别交互对象、找准响应时机，传统模块化机器人方案很难完成这类时序耦合的复杂推理任务，也是长久以来人机交互生硬割裂的关键瓶颈