优必选10月16日宣布，其自研的统一多模态世界模型Thinker-WM在三大公认具身世界模型基准评测中全部拿下第一名。
具体来看，在WorldOlympiad基准中，Thinker-WM综合得分0.740位列榜首，3D一致性0.531、交互保真度0.765两项单项指标居全部参评模型首位；在EWMBench基准中综合总分4.66，超过Qwen-RobotWorld、Sora2等主流模型；在仿真环境基准WorldArena1.0 Track-1中，其在视觉画质、内容一致性、物理合理性、3D几何精度、指令遵循等12项关键评价维度整体领先。
技术路线上，与过往世界模型普遍采用的“拼接式”方案不同，Thinker-WM以表征层统一的Unified Dynamic Transformer为核心，将RGB图像、度量深度与机器人动作纳入同一套共享动态表征联合演化，实现视频-动作联合生成、世界预测、策略推理、视频转动作、逆动力学等能力合一。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。
训练数据方面，Thinker-WM的语料包含约2万小时第一人称人类视频、约1万小时真实机器人数据和约1千小时仿真数据。模型统一使用末端位姿表示机器人动作，并为不同机器人嵌入专属标签。优必选表示，Thinker-WM已完成在公司机器人平台上的部署验证，相关技术将持续用于下一代具身智能系统。
💬 评论