霸榜三大基准！优必选 Thinker-WM：多模态统一表征，单模型实现六大能力

三大基准全榜登顶Thinker-WM 斩获三项第一

日前，优必选 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，刷新行业成绩：

WorldOlympiad：

Thinker‑WM 取得综合得分 0.740 位列榜首。该基准基于大量真实机器人交互数据构建，覆盖十余种不同机器人本体与多类相机配置，重点考核模型跨机器人形态、跨视角的泛化能力。模型取得 3D 一致性 0.531、交互保真度 0.765，两项单项指标位居全部参评模型首位，体现模型对三维几何结构与机器人交互过程的精准建模能力。

EWMBench：

Thinker‑WM 取得综合总分4.66，超过 Qwen‑RobotWorld、Sora2 等主流模型。EWMBench 完整考核场景一致性、机器人末端运动正确性、指令语义对齐三大能力维度。得益于表征层面的多模态联合建模，Thinker‑WM 在反映机器人轨迹时空匹配的 nDTW（归一化动态时间规整）、表征运动速度与加速度合理性的 Dyn（动力学一致性）等机器人运动核心指标上实现领先。

WorldArena1.0 Track-1：

在仿真环境基准 WorldArena Track‑1，Thinker‑WM 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，兼顾仿真环境下视觉生成质量与物理交互可信度。

Thinker‑WM 以表征层统一的Unified Dynamic Transformer（UDT）为核心，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，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，为具身智能提供新一代基础世界模型底座。

Thinker-WM技术突破：表征层面实现视觉、几何、动作多模态统一

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。这也是世界模型存在的价值与意义，而过往世界模型普遍采用 “拼接式” 方案：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，再通过接口拼接输出。

但这套技术模型的问题在于，动作改变环境、环境约束动作，几何结构同时影响两者，物理上紧密耦合的信号被拆分到不同模块，丢失其内在因果关联。

举个例子，“一个杯子被推下桌子”这件事情，在语言里是一句话描述，在动作里是一串关节命令，在视频里是一段穿越画面的物体运动，在深度里是一组连续变化的距离场。四种表述指向的是同一个事件，而不是四个不同的对象。所以，要求模型生成其中任何一种，本质上都是在追问同一个过程。

但这种重叠又是不完全的。动作既不携带外观，也不携带上下文，同样的关节命令，放在空桌子上和放在杂乱的桌子上，含义完全不同。语言也不携带时空细节，“杯子被推下桌子”这句话，既没有规定从哪一侧推、用多大力、以什么速度推，也没有规定手的具体轨迹、杯子翻转几圈、最终落在哪里。视频不携带显式几何和度量，其仅使用一系列像素表示，既不知道杯子的尺寸，也不知道杯子的距离。深度也不携带外观、命名语义和意图，它给出表面在哪里、如何遮挡、如何接触，却不告诉你那是杯子还是桌布，更不告诉你为什么要推它。

针对这个问题，优必选 Thinker 团队给出全新解法：不在接口处做简单合并，而是在表征层面实现多模态统一。Thinker-WM（Thinker World Model）作为优必选自研统一多模态世界模型，将 RGB 视频、深度和机器人动作编码至同一个中间表征空间，依靠一组共享参数联合演化。外观、几何、动作不再是三条独立流水线，而是同一个世界演化过程的三种表达形态。也就是说，Thinker-WM 的底层设计逻辑可以概括为：不同模态是同一过程的不同表述；模型将它们对齐到共享表征空间，并在这一共享表征上进行推理，而不是在模态接口上做条件组合。

Thinker-WM：视觉、几何与动作的统一建模框架

具体来看，RGB图像、深度信息、机器人动作分别通过各自的编码器映射到统一潜在空间，送入共享的统一动态Transformer（Unified Dynamics Transformer, UDT）进行联合时序建模，最终由各自的解码器还原输出视频、深度图、机器人可执行动作。这就意味着多模态的交互发生在Transformer内部，视觉token、几何token和动作token通过同一个注意力机制直接交换信息，而不是在输入或输出层做浅层拼接。

几何信息也不再只是辅助监督信号。Thinker-WM 把深度作为原生生成模态，与视频共享一致的潜在拓扑和时空组织。深度监督直接塑造共享表征，让物理空间结构成为世界模型的 “母语”，而非后期外挂补充模块，从而也能帮助人形机器人更准确地理解物理空间。统一建模的价值，也体现在机器人的实际执行效果上。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，说明空间几何信息不仅有助于模型理解场景，也能改善动作生成与任务执行。

3万小时异构数据让一个模型，解锁六种能力

依托多模态统一表征，所有模态共享同一组参数，Thinker-WM 可以通过灵活切换条件模态与生成模态，支持六大能力模式。

同一份权重，既能预判、想象未来画面，也能反向推演机器人执行轨迹，还能从视频中提取动作信息，这正是统一表征带来的核心技术红利。

3万小时异构数据撑起通用世界模型底座

统一表征能力的背后，是优必选规模丰富、类型多元的训练数据支撑。Thinker-WM 训练语料在具身智能领域具备可观体量：

· 约2万小时第一人称人类视频：覆盖家庭、商业零售、工业等场景，补足机器人遥操作难以低成本获取的任务、物体与场景多样性，同时配套约 1 千小时的对齐深度数据。

· 约1万小时真实机器人数据：来自多款不同形态机器人，提供视觉观测与可执行动作的配对监督，其中约 3 千小时配套对齐深度标注。

· 约1千小时仿真数据：提供高精度几何、物理监督信号

不同机器人动作空间、坐标系、控制协议差异巨大。Thinker-WM 的统一思想不仅应用于模型框架上，也应用于数据选择中。该模型统一使用末端位姿表示所有机器人动作，同时为不同机器人在token中嵌入专属标签。这样不同形态的机器人可以共享同一个生成空间，又能够保留精准的本体控制能力。

数据 Infra：让海量异构数据高效支撑统一模型训练

海量数据要转化为模型能力，离不开稳定、高效的数据基础设施。面对不同机器人、人类视频与仿真数据在格式、模态和标注上的差异，优必选 Thinker 团队构建了 Data Factory，将数据管理与训练采样解耦，让多源数据按模型需求灵活组合。

Data Factory：从多源异构数据到统一模型训练

Data Factory 围绕三个关键环节支撑训练：统一组织视频、状态、动作与语言信息，按需生成不同训练模式所需的样本；通过分层质检过滤异常片段，检查深度与视频对齐，确保训练信号可靠；通过异步预取与编码复用提前准备训练数据，减少等待与重复计算。

这套数据基础设施，让多源异构数据能够被可靠组织、灵活调用、高效供给，为 Thinker-WM 六种能力模式的联合训练与持续迭代提供工程支撑。

通过Motion Probe实验设计轻量化实验：验证跨模态表征真实耦合

表征层面统一多模态，听起来是架构设计上的创新，但有一个核心疑问：模型究竟是真的在共享空间学到视觉、几何、动作之间的耦合关联，还是只是并行处理多路信息，把不同模态简单放在一起？

为回答这个问题，优必选Thinker 团队设计了轻量级 Motion Probe（运动探针）验证实验。研究团队在冻结的UDT视觉表征上接一个极小的运动预测头，只训练这个头，看能否从纯视觉表征中恢复出末端执行器的位移。

Motion Probe示意图

实验结果证实猜想：探针预测误差很低。即使没有动作监督，视觉表征中也已经编码了与动作相关的运动信息。这一结果直接证明，表征层面的多模态统一真实生效，视觉感知和动作规划不是两条相互独立的链路，而是在共享潜在空间里实现深度耦合。

这意味着什么

这也进一步说明，Thinker-WM本次技术的突破的，价值远不止一次刷榜成果。它指明具身世界模型的底层新范式：

具身智能的世界模型不应该是 “视频生成器 + 策略头” 的简单组合，而是一套完整统一的生成过程——视觉观测、空间结构、动作规划，是同一个物理世界过程的不同表达。

当机器人能够在同一表征空间内同步推演画面变化、空间结构、动作轨迹，它对物理世界因果逻辑的理解便向前迈进一大步。这也是机器人从“可以执行任务干活”，迈向“能够理解真实世界”的关键跃迁。

Thinker-WM 现已完成在优必选机器人平台上部署验证，相关技术将持续赋能下一代具身智能系统。

来源：优必选科技