AnswersPublished19 sources
Thinker-WM chce robotům spojit zrak, prostor i jednání do jednoho modelu
Thinker WM je multimodální model světa, který společně pracuje s RGB videem, metrickou hloubkou a akcemi robota. Každý typ dat má vlastní enkodér a dekodér, ale zpracování probíhá ve společném latentním prostoru prostřednictvím jednoho Unified Dynamics Transformeru.
PublikovalUpraveno pomocí GPT-6 LunaObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Thinker WM je multimodální model světa, který společně pracuje s RGB videem, metrickou hloubkou a akcemi robota.
- Každý typ dat má vlastní enkodér a dekodér, ale zpracování probíhá ve společném latentním prostoru prostřednictvím jednoho Unified Dynamics Transformeru.
- UBTECH oznámil první místa v benchmarku WorldOlympiad, EWMBench a WorldArena 1.0 Track 1.
- Podle zveřejněného souhrnu zvýšilo přidání hloubky úspěšnost v jedné úloze RoboTwin o 15 procentních bodů; podklady ale neuvádějí výchozí ani konečnou hodnotu.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is UBTECH’s Thinker WM, as detailed on October 17, 2026, and how does its arXiv documented architecture unify RGB video, metric depth a. Article summary: Thinker WM is UBTECH’s unified multimodal world model: it jointly models and generates RGB video, metric depth and robot actions, rather than treating visual prediction, geometry and control as independent systems.. Topic tags: general web, ai safety, ai, productivity, code. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wit
Thinker-WM je model světa od UBTECH, který má společně předpovídat a vytvářet tři druhy výstupů: RGB video, metrickou hloubku a akce robota. Nejde tedy jen o generování obrazu ani pouze o řízení robota. Záměrem je učit model, jak spolu souvisejí vzhled scény, její prostorová struktura a pohyb. 2
3
Jeden společný základ, různé vstupy a výstupy
Každá modalita — video, hloubka i akce — má vlastní enkodér, který ji převede do společného latentního prostoru. Tam informace zpracovává sdílený Unified Dynamics Transformer. Při výstupu se používají dekodéry odpovídající dané modalitě: model tak může vytvářet například video, mapu hloubky nebo akci robota. Podle technického popisu se tedy sjednocuje vnitřní reprezentace, nikoli podoba všech výstupů. 2
3
Proč je to důležité? Pokud se obraz, geometrie a ovládání propojují až v samostatných navazujících modulech, jejich vzájemné vztahy se nemusí učit uvnitř jednoho dynamického modelu. Thinker-WM volí opačný přístup: zpracovává tyto informace společně. Dostupné podklady ale neprokazují, že by toto řešení bylo rychlejší nebo jednodušší nasadit než oddělené systémy. 14
Stejná architektura podle arXivového popisu umožňuje model používat pro více úloh podle toho, jaké modality dostane na vstupu a které má vytvořit. Popis zmiňuje například společné generování videa a akcí. Úplný seznam šesti režimů, jejich přesné kombinace vstupů a výstupů ani podrobné rozlišení mezi převodem videa na akci a inverzní dynamikou však dostupné výňatky nepotvrzují. 17
Jaké výsledky UBTECH oznámil
Firma 16. října 2026 oznámila, že Thinker-WM skončil první ve třech benchmarcích pro modely propojující vnímání a jednání robotů. Následující čísla jsou výsledky oznámené UBTECH, nikoli nezávisle ověřené aktuální pořadí žebříčků. 7
- WorldOlympiad: celkové skóre 0,740. Z toho model získal 0,531 za 3D konzistenci a 0,765 za věrnost interakce; podle oznámení šlo v obou dílčích ukazatelích o nejlepší výsledek. Test vychází z interakcí skutečných robotů: zahrnuje více než deset typů robotických těl a několik konfigurací kamer. Zaměřuje se mimo jiné na to, zda se model dokáže přenášet mezi různými konstrukcemi robotů a pohledy kamer.
12
- EWMBench: oznámené celkové skóre bylo 4,66, které UBTECH označil za první místo. Zpráva zmiňuje srovnání s Qwen-RobotWorld a Sora 2 i dobré výsledky v metrikách shody trajektorie a dynamiky, ale dostupné podklady neuvádějí jejich konkrétní hodnoty ani skóre srovnávaných modelů.
13
- WorldArena 1.0 Track-1: UBTECH hlásí celkové prvenství napříč 12 hodnoticími dimenzemi. Dostupné výňatky neuvádějí jejich úplný seznam ani jednotlivá skóre.
Hloubka jako víc než doplněk k obrazu
V ablačním testu na RoboTwin mělo přidání hloubkových dat zvýšit úspěšnost v jedné manipulační úloze o 15 procentních bodů. Jde o absolutní rozdíl, nikoli o relativní nárůst o 15 procent. Zdrojový výňatek neuvádí výchozí a konečnou úspěšnost, takže samotný údaj neukazuje, jak vysoké úspěšnosti model dosáhl. 16
Co víme o trénovacích datech — a co ne
Modelová karta UBTECH uvádí přibližně 20 000 hodin egocentrických dat a 10 000 hodin robotických dat, dohromady tedy zhruba 30 000 hodin. Zmiňuje také přibližně 4 000 hodin s navázaným hloubkovým dohledem, ale dostupný výňatek neumožňuje spolehlivě rozdělit robotická data mezi skutečné roboty a simulaci. 10
Podrobnosti požadované pro rozpis lidských videí z domácností, obchodů a továren ani informace o formátu akcí, značkách specifických pro jednotlivá robotická těla a postupu výběru či kontroly dat dostupné zdroje nepotvrzují. Totéž platí pro konkrétní postup synchronizace videa s hloubkovými mapami.
Výsledky benchmarků a základní architektura tedy mají oporu ve zveřejněných popisech. Zatímco směr návrhu je srozumitelný — učit obraz, prostor a pohyb společně — některé podrobnosti o režimech modelu, datech a vyhodnocení zůstávají v dostupných podkladech neověřené.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Thinker-WM chce robotům spojit zrak, prostor i jednání do jednoho modelu"?
Thinker WM je multimodální model světa, který společně pracuje s RGB videem, metrickou hloubkou a akcemi robota.
What are the key points to validate first?
Thinker WM je multimodální model světa, který společně pracuje s RGB videem, metrickou hloubkou a akcemi robota. Každý typ dat má vlastní enkodér a dekodér, ale zpracování probíhá ve společném latentním prostoru prostřednictvím jednoho Unified Dynamics Transformeru.
What should I do next in practice?
UBTECH oznámil první místa v benchmarku WorldOlympiad, EWMBench a WorldArena 1.0 Track 1.