世界模型基准评测中全部取得第一!优必选开源Thinker-WM

优必选自研统一多模态世界模型 Thinker-WM 于近日在 WorldOlympiad、EWMBench、WorldArena Track-1 三项具身世界模型基准评测中全部取得第一，该结果于 10 月 16 日对外公开。Thinker-WM 通过学习物理世界的状态变化、物体交互及行动结果，提升机器人对未来状态的预测与推演能力。

三项基准的具体成绩分别为：在 WorldOlympiad 中，Thinker-WM 的综合得分为 0.740，位列榜首；其中 Physical 得分 0.923、3D 一致性 0.531、交互保真度 0.765，后两项为全部参评模型中的最高值。同榜的 Cosmos-Predict-2.5 综合得分为 0.712，Uranus 为 0.722。在 EWMBench 中，Thinker-WM 的综合总分为 4.66，高于 Qwen-RobotWorld 的 4.60 与 Sora2 的 3.89。在仿真环境基准 WorldArena Track-1 中，该模型基于 12 项指标评估得出的 12-Metric EWMScore 为 71.73，居所列方法首位。

技术方案上，Thinker-WM 以统一动态 Transformer（Unified Dynamic Transformer，UDT）为核心，在表征层面将 RGB 图像、度量深度、机器人动作纳入同一套共享动态表征联合演化，外观、几何、动作三类模态各自配有专属的编码器与解码器。优必选方面表示，让机器人在真实世界落地干活，最难的不是识别眼前物体，而是预判环境下一步变化。作为对照，此前世界模型普遍采用"拼接式"方案，由视频生成负责画面、策略网络负责动作、几何预测负责空间信息，模块独立计算后再通过接口拼接输出。

由于所有模态共享同一组参数，Thinker-WM 可以在同一套权重下支持视频-动作联合生成、世界预测、策略推理、动作条件生成、视频转动作和逆动力学六项功能，对应的模式包括联合生成（WAM）、视觉预测（WM）、策略推理（VLA）、动作生视频（A2V）、视频生动作（V2A）和引导分支（Uncond）。

训练语料由三部分构成，包括约 20K 小时第一人称视频、10K 小时真实机器人数据和 1K 小时仿真数据，其中约 4K 小时真实机器人数据带有对齐的深度监督。

支撑上述成绩的还有三组实验。在 RoboTwin 的 turn_switch 闭环控制消融实验中，仅使用 RGB 输入时的整体成功率为 60.0%，加入单向深度交互后为 63.3%，加入双向深度交互后为 75.0%。在深度生成精度评测中，Thinker-WM 在 48 段 AgiBot 序列上的 AbsRel 为 0.1360、RMSE 为 0.1790 米，两项指标均为越低越好，对照模型 RynnWorld-4D 的对应数值为 0.1625 与 0.2075 米。轻量级运动探针实验显示，冻结的视觉表征中包含可恢复的运动信息。

2026 年 5 月 6 日，优必选推出 Thinker-WM，并表示将在具身智能开发者社区 Thinker-Cosmos 上开源该模型。该版本构建了 Diffusion Transformer 统一多模态空间架构，在 Flow Matching 迭代演化过程中实现视频表征与机器人动作空间的协同优化，并在 Libero 基准测试中登顶，同榜模型来自英伟达、Physical Intelligence、小米等公司。

优必选科技成立于 2012 年 3 月，2023 年 12 月 29 日在香港交易所主板挂牌上市，股票代码 9880.HK。优必选构建了具身大脑、仿人小脑、高性能本体、群体智能四大核心技术集群，具身大脑层面已构建"基座模型 Thinker + 世界模型 Thinker-WM + 行动模型 Thinker-VLA"的全栈自研技术体系。目前真机本体数据集规模约 1100 万条，超过 80% 为工业场景数据。

Thinker-WM 现已完成在优必选机器人平台上的部署验证，相关技术将持续赋能下一代具身智能系统。模型技术报告与后续迭代版本将在优必选官方具身智能开发者社区 Thinker Cosmos 持续更新。