优必选Thinker-WM登顶三大具身世界模型基准 刷新行业成绩

近日，优必选（UBTECH）自研的统一多模态世界模型 Thinker-WM 在三大公认的具身世界模型基准评测中全部拿下第一名，刷新了行业成绩。这是国产具身智能在世界模型这一关键赛道上的一次标志性突破。

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 两项单项指标均居全部参评模型首位；在 EWMBench 基准中，它取得综合总分 4.66，超过 Qwen-RobotWorld、Sora2 等主流模型；在仿真环境基准 WorldArena1.0 Track-1 中，它在视觉画质、内容一致性、物理合理性、3D 几何精度、指令遵循等 12 项关键维度上整体领先。

Thinker-WM 的核心创新在于"表征层统一"而非"模块拼接"。过往世界模型普遍采用视频生成、策略网络、几何预测各自独立计算再拼接的方案，导致动作、环境与几何之间本应耦合的物理信号被拆散。优必选团队以统一的动态 Transformer（UDT）为核心，将 RGB 图像、度量深度与机器人动作编码进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、逆动力学等多项能力合一。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了 15 个百分点。

支撑这一能力的是约 3 万小时的异构训练数据：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与约 1 千小时仿真数据。模型统一使用末端位姿表示所有机器人动作，并为不同机器人嵌入专属标签，使多形态机器人可共享同一生成空间。团队还通过轻量级 MotionProbe 实验验证，即便不提供动作监督，冻结的视觉表征中已编码了与动作相关的运动信息，证明多模态统一真实生效。

目前，Thinker-WM 已完成在优必选机器人平台上的部署验证，技术报告与迭代版本将在其具身智能开发者社区 ThinkerCosmos 持续更新。世界模型的成熟，意味着机器人正从"能执行任务"迈向"能理解真实世界的因果逻辑"，为人形机器人与工业具身场景提供了更强的新一代算法底座。