优必选Thinker-WM在三大具身世界模型基准评测中登顶
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载统一表征架构
优必选推出的Thinker-WM，核心是名为Unified Dynamic Transformer（UDT）的架构。与过往世界模型采用的拼接式方案不同——那些方案让各模块独立计算，再在接口处把结果简单合并——Thinker-WM选择在表征层面完成多模态统一。具体来说，它把RGB图像、度量深度和机器人动作放进同一套共享表征中，由此支撑视频与动作的联合生成、世界预测以及策略推理等多项能力。这种设计思路的差异，直接体现在后续的评测结果里。
三大基准表现
在三个具身世界模型基准评测中，Thinker-WM均取得第一。WorldOlympiad基准基于真实机器人交互数据构建，覆盖十余种本体，Thinker-WM在该基准上综合得分0.740，排名榜首，其中3D一致性为0.531，交互保真度为0.765。另一项EWMBench考核场景一致性、末端运动正确性以及指令语义对齐，Thinker-WM综合总分4.66，超过Qwen-RobotWorld和Sora2，并在nDTW和Dyn等运动核心指标上保持领先。WorldArena1.0 Track-1中，Thinker-WM在12项维度上整体领先。
深度模态的增益
Thinker-WM的训练语料为3万小时异构数据。在RoboTwin单任务消融实验中，引入深度模态使操作成功率提升了15个百分点，这一结果说明度量深度进入共享表征后，对实际操作任务产生了可测量的帮助。从适用范围看，上述评测覆盖了多种机器人本体与多项任务维度，但消融实验仅针对单一任务，深度模态在其他任务类型中的表现，现有信息尚未展开。对关注具身智能的读者而言，这些数字提供了一个观察世界模型从拼接走向统一表征的切面。
为什么值得看
具身世界模型首次在多个基准上同时登顶，且用统一表征替代拼接式方案，对机器人基础模型路线有参考价值。
信源1 家
关键事实
Thinker-WM在WorldOlympiad综合得分0.740位列榜首，3D一致性0.531、交互保真度0.765两项单项第一[1]
Thinker-WM在EWMBench取得综合总分4.66，超过Qwen-RobotWorld、Sora2等主流模型[1]
WorldArena1.0 Track-1中，Thinker-WM在视觉画质、内容一致性、物理合理性、3D几何精度、指令遵循等12项维度整体领先[1]
Thinker-WM以统一动态Transformer（UDT）为核心，将RGB图像、度量深度、机器人动作纳入同一共享动态表征联合演化[1]
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[1]
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。