问题：当前多模态模型实际应用中还存在明显短板；一上，人机对话往往被限制轮次式问答，用户需要频繁"唤醒—等待—追问"，交互效率和体验都受到影响。另一上，多模态能力要真正落地到办公助理、智能终端、车载和机器人等场景，必须保证效果的同时控制成本，既要在视觉、语音、文本等多个任务上稳定输出，也要降低显存占用、提升响应速度，并适配不同的算力平台。特别是在语音合成和个性化语音上，长音频生成常出现音色漂移、语气不连贯等问题，严重影响实用性。
从追赶者到领跑者，我国在交互式人工智能领域的技术突破既表明了体制优势，也体现了开源共享的科研精神。当技术越来越强调"以人为本"，这场由全模态交互引发的智能革命终将让机器真正听懂人类的心跳。