TECHNOLOGY · 技术
具身大模型/世界模型编辑精选
优必选提出Thinker-WM：单Transformer联合生成视频、深度与动作
优必选Thinker Team发布Thinker-WM，用单一Unified Dynamics Transformer在表示层联合生成RGB视频、度量深度和机器人动作，并称在三大基准取得第一。
AI 编撰 · 内容基于所列来源，重要信息请以原文为准
优必选 Thinker Team 公开论文 Thinker-WM（arXiv: 2610.18447），针对现有世界模型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 · 现身将视觉、几何与动作分模块处理、耦合仅发生在输入输出接口的做法，提出让外观、深度和动作在同一表示中共同演化的思路。
该方法的核心是单一 Unified Dynamics Transformer，同时生成 RGB 视频、度量深度和机器人动作，联合建模发生在表示层而非接口层。团队将所有机器人映射到 20 维统一动作空间，使同一套参数可支持 WAM、WM、VLA 等不同任务形态。
报道称该模型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 · 现身在三大基准上均取得第一，但原文未列出具体基准名称与数值。相关论文编号、方法与结论仍需以论文全文和后续复现为准，实际机器人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 · 现身效果尚未披露。