霸榜三大基準！優必選 Thinker-WM：多模態統一表徵，單模型實現六大能力

來源原標題

霸榜三大基準！優必選 Thinker-WM：多模態統一表徵，單模型實現六大能力

作者

量子位的朋友们

原始標籤

資訊 · 優必選

原始連結

https://www.qbitai.com/2026/10/503843.html

摘要原文

霸榜三大基準！優必選 Thinker-WM：多模態統一表徵，單模型實現六大能力 量子位的朋友們 2026-10-16 16:00:31 來源： 量子位 優必選 Thinker-WM在三大公認具身世界模型基準評測中全部拿下第一名 01 三大基準全榜登頂，Thinker-WM 斬獲三項第一 日前，優必選 Thinker-WM在三大公認具身世界模型基準評測中全部拿下第一名，重新整理行業成績： WorldOlympiad ： Thinker‑WM 取得綜合得分 0.740 位列榜首。該基準基於大量真實機器人互動資料構建，覆蓋十餘種不同機器人本體與多類相機配置，重點考核模型跨機器人形態、跨視角的泛化能力。模型取得 3D 一致性 0.531、互動保真度 0.765，兩項單項指標位居全部參評模型首位，體現模型對三維幾何結構與機器人互動過程的精準建模能力。 EWMBench： Thinker‑WM 取得綜合總分 4.66，超過 Qwen‑RobotWorld、Sora2 等主流模型。EWMBench 完整考核場景一致性、機器人末端運動正確性、指令語義對齊三大能力維度。得益於表徵層面的多模態聯合建模，Thinker‑WM 在反映機器人軌跡時空匹配的 nDTW（歸一化動態時間規整）、表徵運動速度與加速度合理性的 Dyn（動力學一致性）等機器人運動核心指標上實現領先。 WorldArena1.0 Track-1： 在模擬環境基準 WorldArena Track‑1，Thinker‑WM 在視覺畫質、內容一致性、物理合理性、3D 幾何精度、指令遵循等 12 項關鍵評價維度整體領先，兼顧模擬環境下視覺生成質量與物理互動可信度。Thinker‑WM 以表徵層統一的 Unified Dynamic Transformer（UDT）為核心，將 RGB 影像、度量深度、機器人動作納入同一套共享動態表徵聯合演化，實現影片‑動作聯合生成、世界預測、策略推理、影片轉動作、逆動力學等多項能力合一，為具身智慧提供新一代基礎世界模型底座。 02 Thinker-WM技術突破：表徵層面實現視覺、幾何、動作多模態統一 讓機器人在真實世界落地幹活，最難的不是識別眼前物體，而是預判環境下一步變化。這也是世界模型存在的價值與意義，而過往世界模型普遍採用 “拼接式” 方案：影片生成負責畫面、策略網路負責動作、幾何預測負責空間資訊，模組獨立計算，再通過介面拼接輸出。 但這套技術模型的問題在於，動作改變環境、環境約束動作，幾何結構同時影響兩者，物理上緊密耦合的訊號被拆分到不同模組，丟失其內在因果關聯。 舉個例子，“一個杯子被推下桌子”這件事情，在語言裡是一句話描述，在動作裡是一串關節命令，在影片裡是一段穿越畫面的物體運動，在深度裡是一組連續變化的距離場。四種表述指向的是同一個事件，而不是四個不同的物件。所以，要求模型生成其中任何一種，本質上都是在追問同一個過程。 但這種重疊又是不完全的。動作既不攜帶外觀，也不攜帶上下文，同樣的關節命令，放在空桌子上和放在雜亂的桌子上，含義完全不同。語言也不攜帶時空細節，“杯子被推下桌子”這句話，既沒有規定從哪一側推、用多大力、以什麼速度推，也沒有規定手的具體軌跡、杯子翻轉幾圈、最終落在哪裡。影片不攜帶顯式幾何和度量，其僅使用一系列畫素表示，既不知道杯子的尺寸，也不知道杯子的距離。深度也不攜帶外觀、命名語義和意圖，它給出表面在哪裡、如何遮擋、如何接觸，卻不告訴你那是杯子還是桌布，更不告訴你為什麼要推它。 針對這個問題，優必選 Thinker 團隊給出全新解法：不在介面處做簡單合併，而是在表徵層面實現多模態統一。Thinker-WM（Thinker World Model）作為優必選自研統一多模態世界模型，將 RGB 影片、深度和機器人動作編碼至同一個中間表徵空間，依靠一組共享參數聯合演化。外觀、幾何、動作不再是三條獨立流水線，而是同一個世界演化過程的三種表達形態。也就是說，Thinker-WM 的底層設計邏輯可以概括為：不同模態是同一過程的不同表述；模型將它們對齊到共享表徵空間，並在這一共享表徵上進行推理，而不是在模態介面上做條件組合。 Thinker-WM：視覺、幾何與動作的統一建模框架 具體來看，RGB影像、深度資訊、機器人動作分別通過各自的編碼器對映到統一潛在空間，送入共享的統一動態Transformer（Unified Dynamics Transformer, UDT）進行聯合時序建模，最終由各自的解碼器還原輸出影片、深度圖、機器人可執行動作。這就意味著多模態的交互發生在Transformer內部，視覺token、幾何token和動作token通過同一個注意力機制直接交換資訊，而不是在輸入或輸出層做淺層拼接。 幾何資訊也不再只是輔助監督訊號。Thinker-WM 把深度作為原生生成模態，與影片共享一致的潛在拓撲和時空組織。深度監督直接塑造共享表徵，讓物理空間結構成為世界模型的 “母語”，而非後期外掛補充模組，從而也能幫助人形機器人更準確地理解物理空間。統一建模的價值，也體現在機器人的實際執行效果上。在 RoboTwin 單任務消融實驗中，引入深度模態後，操作成功率較無深度基線提升了 15 個百分點 ，說明空間幾何資訊不僅有助於模型理解場景，也能改善動作生成與任務執行。 03 3萬小時異構資料，讓一個模型，解鎖六種能力 依託多模態統一表徵，所有模態共享同一組參數，Thinker-WM 可以通過靈活切換條件模態與生成模態，支援六大能力模式。 同一份權重，既能預判、想像未來畫面，也能反向推演機器人執行軌跡，還能從影片中提取動作資訊，這正是統一表徵帶來的核心技術紅利。 04 3萬小時異構資料，撐起通用世界模型底座 統一表徵能力的背後，是優必選規模豐富、型別多元的訓練資料支撐。Thinker-WM 訓練語料在具身智慧領域具備可觀體量： 約2萬小時第一人稱人類影片 ：覆蓋家庭、商業零售、工業等場景，補足機器人遙操作難以低成本獲取的任務、物體與場景多樣性，同時配套約 1 千小時的對齊深度資料。 約1萬小時真實機器人資料 ：來自多款不同形態機器人，提供視覺觀測與可執行動作的配對監督，其中約 3 千小時配套對齊深度標註。 約1千小時模擬資料 ：提供高精度幾何、物理監督訊號。 不同機器人動作空間、座標系、控制協議差異巨大。Thinker-WM 的統一思想不僅應用於模型框架上，也應用於資料選擇中。該模型統一使用末端位姿表示所有機器人動作，同時為不同機器人在token中嵌入專屬標籤。這樣不同形態的機器人可以共享同一個生成空間，又能夠保留精準的本體控制能力。 05 資料 Infra：讓海量異構資料高效支撐統一模型訓練 海量資料要轉化為模型能力，離不開穩定、高效的資料基礎設施。面對不同機器人、人類影片與模擬資料在格式、模態和標註上的差異，優必選 Thinker 團隊構建了 Data Factory，將資料管理與訓練取樣解耦，讓多源資料按模型需求靈活組合。 Data Factory：從多源異構資料到統一模型訓練 Data Factory 圍繞三個關鍵環節支撐訓練： 統一組織 影片、狀態、動作與語言資訊，按需生成不同訓練模式所需的樣本；通過 分層質檢 過濾異常片段，檢查深度與影片對齊，確保訓練訊號可靠；通過 非同步預取與編碼複用 提前準備訓練資料，減少等待與重複計算。 這套資料基礎設施，讓多源異構資料能夠被可靠組織、靈活呼叫、高效供給，為 Thinker-WM 六種能力模式的聯合訓練與持續迭代提供工程支撐。 06 通過Motion Probe實驗設計，輕量化實驗：驗證跨模態表徵真實耦合 表徵層面統一多模態，聽起來是架構設計上的創新，但有一個核心疑問：模型究竟是真的在共享空間學到視覺、幾何、動作之間的耦合關聯，還是隻是並行處理多路資訊，把不同模態簡單放在一起？ 為回答這個問題，優必選Thinker 團隊設計了輕量級 Motion Probe（運動探針）驗證實驗。研究團隊在凍結的UDT視覺表徵上接一個極小的運動預測頭，只訓練這個頭，看能否從純視覺表徵中恢復出末端執行器的位移。 Motion Probe示意圖 實驗結果證實猜想：探針預測誤差很低。即使沒有動作監督，視覺表徵中也已經編碼了與動作相關的運動資訊。這一結果直接證明，表徵層面的多模態統一真實生效，視覺感知和動作規劃不是兩條相互獨立的鏈路，而是在共享潛在空間裡實現深度耦合。 07 這意味著什麼 這也進一步說明，Thinker-WM本次技術的突破的，價值遠不止一次刷榜成果。它指明具身世界模型的底層新範式： 具身智慧的世界模型不應該是 “影片生成器 + 策略頭” 的簡單組合，而是一套完整統一的生成過程——視覺觀測、空間結構、動作規劃，是同一個物理世界過程的不同表達。 當機器人能夠在同一表徵空間內同步推演畫面變化、空間結構、動作軌跡，它對物理世界因果邏輯的理解便向前邁進一大步。這也是機器人從“可以執行任務幹活”，邁向“能夠理解真實世界”的關鍵躍遷。 Thinker-WM 現已完成在優必選機器人平臺上部署驗證，相關技術將持續賦能下一代具身智慧系統。 Thinker-WM 的探索不止本次成果釋出。模型技術報告與後續迭代版本將在優必選官方具身智慧開發者社群Thinker Cosmos 持續更新；世界模型二次開發能力開放計劃、技術解讀直播預告，也將第一時間面向開發者公佈。歡迎加入Thinker Cosmos（https://thinkercosmos.ubtrobot.com/），共建具身智慧生態。 專案連結 論文連結: https://arxiv.org/abs/2610.18447 專案地址: https://thinkercosmos.ubtrobot.com/thinker-wm Github: https://github.com/UBTECH-Robot/Thinker-WM Huggingface: https://huggingface.co/UBTECH-Robotics/Thinker-WM 本文由優必選提供，量子位獲授權轉載，觀點歸原作者所有。 版權所有，未經授權不得以任何形式轉載及使用，違者必究。 優必選 量子位的朋友們 從“看懂世界”到“預演下一步”：世界模型與 VLA，如何讓機器人擁有真正的“具身大腦”？ 2026-10-16 說真話就能拿10萬？網易叭哥說重金求“真需求”，不卡專業學歷 2026-10-16 範式智慧聯合睿思智聯推出開源一站式 生產級 AI 部署平臺 “模域ModelSphere” 2026-10-16 百度世界2026五大亮點曝光，企業和開發者值得關注什麼？ 2026-10-16 相關閱讀