优必选发布Thinker-WM世界模型，三大具身基准评测居首
优必选自研具身世界模型Thinker-WM在WorldOlympiad、EWMBench、WorldArena1.0 Track-1三项基准评测中位列第一，采用多模态统一表征，单模型支持六种能力。
AI 编撰 · 内容基于所列来源，重要信息请以原文为准
优必选自研的具身世界模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身Thinker-WM在WorldOlympiad、EWMBench、WorldArena1.0 Track-1三项具身世界模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身基准评测中取得第一名。WorldOlympiad综合得分0.740，3D一致性0.531、交互保真度0.765两项单项指标居参评模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身首位；EWMBench综合总分4.66，超过Qwen-RobotWorld、Sora2等模型；WorldArena Track-1在视觉画质、内容一致性、物理合理性等12项评价维度整体领先。
技术路径上，Thinker-WM不采用视频生成、策略网络、几何预测分模块拼接的方案，而是将RGB视频、深度和机器人动作编码至同一中间表征空间，由统一动态Transformer（UDT）共享参数联合时序建模，再经各自解码器输出视频、深度图和可执行动作。深度被视为原生生成模态，与视频共享潜在拓扑；在RoboTwin单任务消融实验中，引入深度模态后操作成功率较无深度基线提升15个百分点。
训练数据用来「喂」给 AI 模型学习的教材。对机器人来说，主要是「看到的画面 + 做出的动作」一一配对的操作示范。◆ 小白科普 · 现身方面，模型使用约2万小时第一人称人类视频（配套约1千小时对齐深度数据）、约1万小时来自多款机器人的真实数据（其中约3千小时配套对齐深度标注）以及约1千小时仿真数据在电脑虚拟世界里「印刷」出来的训练数据，成本几乎为零、可以海量生产。缺点是虚拟世界的物理和真实世界总有差距。◆ 小白科普 · 现身。所有机器人动作统一以末端位姿表示，并在token中嵌入本体专属标签。团队还构建Data Factory，负责多源数据的统一组织、分层质检与异步预取。
验证环节，团队在冻结的UDT视觉表征上接入极小的运动预测头（Motion Probe），仅训练该头即可从纯视觉表征恢复末端执行器位移，用以说明视觉与动作信息在共享空间中存在耦合。优必选称Thinker-WM已在自有机器人平台完成部署把机器人真正放到工作现场长期干活，而不只是在实验室演示。部署规模决定了数据回流和经验积累的速度。◆ 小白科普 · 现身验证，技术报告与后续版本将在其开发者社区Thinker Cosmos更新。