点击上方 「AI前锋哨」 蓝色字关注深度解读每一次 AI 变化快讯速达 | 阅读约 2 分钟
10 月 16 日，优必选公布，自研世界模型 Thinker-WM 在 WorldOlympiad 和 EWMBench，以及 WorldArena Track-1 三项具身世界模型评测中均列首位。
分数是具体的。WorldOlympiad 综合 0.740，其中 3D 一致性 0.531、交互保真度 0.765；EWMBench 综合 4.66，高于 Qwen-RobotWorld 的 4.60 与 Sora2 的 3.89。
它想解决的是「拼接」。 过去的世界模型通常这样搭：视频生成负责画面，策略网络负责动作，几何预测负责空间，三个模块各算各的，再通过接口对接。
问题是这三件事在物理上绑在一起。动作改变环境，环境约束动作，几何结构同时影响两者。拆开计算以后，中间的因果关系就丢了。
优必选的解法是在表征层统一。RGB 视频、度量深度和机器人动作分别编码后，进入同一个「统一动态 Transformer」，用一组共享参数联合演化。
这套结构支持六种能力：视频与动作联合生成，世界预测与策略推理，还有视频转动作和逆动力学。
训练数据约 3 万小时：2 万小时第一人称人类视频、1 万小时真实机器人数据、1 千小时仿真数据。不同形态的机器人用末端位姿统一表示动作，再嵌入各自的本体标签。
一个消融实验的结果值得看：在 RoboTwin 单任务测试中，加入深度模态后，操作成功率比无深度基线高 15 个百分点。
模型已在优必选机器人平台上完成部署验证。技术报告挂在 arXiv（编号 2610.18447），权重与代码同步开源。
