优必选Thinker-WM霸榜三大基准：多模态统一表征实现六大能力
2026/10/16 16:00阅读量 2
优必选发布自研具身世界模型Thinker-WM，在WorldOlympiad、EWMBench和WorldArena1.0三大基准评测中均获得第一名。该模型核心突破在于通过Unified Dynamic Transformer（UDT）在表征层面实现RGB视频、深度几何与机器人动作的统一联合建模，而非简单的模块拼接。基于3万小时异构数据训练，单模型具备视频-动作联合生成、世界预测等六种能力，显著提升了机器人在物理空间的理解与执行精度。
事件概述
优必选发布的具身世界模型 Thinker-WM 在三个公认的基准评测中全部登顶，刷新了行业成绩。该模型通过底层架构创新，实现了视觉、几何与动作的多模态统一表征，为具身智能提供了新一代基础底座。
核心信息
1. 三大基准评测表现
- WorldOlympiad：综合得分 0.740 位列榜首。在跨机器人形态和跨视角的泛化能力考核中，其 3D 一致性（0.531）和交互保真度（0.765）两项单项指标均居首位。
- EWMBench：综合总分 4.66，超越 Qwen-RobotWorld、Sora2 等主流模型。在 nDTW（归一化动态时间规整）和 Dyn（动力学一致性）等运动核心指标上实现领先。
- WorldArena1.0 Track-1：在仿真环境下，于视觉画质、内容一致性、物理合理性、3D 几何精度等 12 项关键维度整体领先。
2. 技术突破：表征层面的多模态统一
传统世界模型多采用“拼接式”方案，将视频生成、策略网络和几何预测作为独立模块，导致物理耦合信号丢失。Thinker-WM 的核心创新在于：
- 统一潜在空间：将 RGB 图像、度量深度和机器人动作编码至同一个中间表征空间，依靠共享参数进行联合演化。
- UDT 架构：基于 Unified Dynamic Transformer（统一动态 Transformer），视觉 token、几何 token 和动作 token 通过同一注意力机制直接交换信息，而非浅层拼接。
- 深度原生支持：深度信息不再是辅助监督，而是作为原生生成模态，帮助机器人更准确地理解物理空间结构。
3. 能力与数据支撑
- 六大能力模式：依托统一表征，单模型支持视频-动作联合生成、世界预测、策略推理、视频转动作、逆动力学等多种任务切换。
- 训练数据规模：累计约 3 万小时异构数据，包括约 2 万小时第一人称人类视频、约 1 万小时真实机器人数据及约 1 千小时仿真数据。
- 数据标准化：统一使用末端位姿表示所有机器人动作，并通过 Token 嵌入专属标签以适配不同本体，实现跨形态机器人的共享生成空间。
4. 验证实验
- RoboTwin 消融实验：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。
- Motion Probe 实验：在冻结的 UDT 视觉表征上接极小运动预测头，仅训练该头部即可从纯视觉表征中恢复末端执行器位移，证实了视觉感知与动作规划在共享潜在空间中的深度耦合。