该系统持续处理音视频流，自主决定响应时机，并在统一因果时间线上生成文本与语音。
推荐理由：其差异点不是简单增加视觉输入，而是以统一流式骨干处理观察、响应时机和语音生成，并支持语义打断与免训练长视频记忆，推进实时主动交互。
阅读原文