AnswersPublished18 sources
UBTECHs Thinker-WM samler robotvideo, dybde og handling i én model
Thinker WM bruger særskilte encodere til RGB video, metrisk dybde og robotbevægelser, men samler informationen i et fælles latent rum, som en fælles transformer behandler. UBTECH rapporterede førstepladser på WorldOlympiad, EWMBench og WorldArena 1.0 Track 1; resultaterne er virksomhedens egne annoncerede benchmarktal.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Thinker WM bruger særskilte encodere til RGB video, metrisk dybde og robotbevægelser, men samler informationen i et fælles latent rum, som en fælles transformer behandler.
- UBTECH rapporterede førstepladser på WorldOlympiad, EWMBench og WorldArena 1.0 Track 1; resultaterne er virksomhedens egne annoncerede benchmarktal.
- Modellen er ifølge UBTECH trænet på cirka 30.000 timers data. De tilgængelige kilder dokumenterer dog ikke alle detaljer om træningsdata, seks driftstilstande eller probe eksperimentet.
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 er UBTECHs multimodale verdensmodel til robotter. I stedet for at behandle visuel forudsigelse, rumlig geometri og styring som adskilte opgaver forsøger modellen at lære sammenhængen mellem dem: Den modellerer og genererer RGB-video, metrisk dybde og robotbevægelser i samme system. 2
3
Sådan hænger arkitekturen sammen
Hver datatype får sin egen encoder, som omformer inputtet til en fælles latent repræsentation. Her behandler en delt Unified Dynamics Transformer informationen samlet. Særskilte decodere omsætter derefter repræsentationen til de relevante output: video, dybdekort eller robotkommandoer. Ifølge arXiv-artiklen sker samlingen på repræsentationsniveau, mens de forskellige datatypers outputform bevares. 2
3
Tanken er at lade modellen lære, hvordan udseende, tredimensionel struktur og handling påvirker hinanden, frem for at forbinde separate video-, geometri- og kontrolmoduler bagefter. Den beskrevne arkitektur giver derfor en fælles ramme for at modellere deres dynamik. De tilgængelige uddrag dokumenterer dog ikke konkrete fordele vedrørende effektivitet eller praktisk udrulning. 14
Benchmarkresultater: UBTECHs egne tal
Resultaterne nedenfor er rapporteret af UBTECH i forbindelse med annonceringen, ikke uafhængigt bekræftede aktuelle ranglister. Ifølge omtalen annoncerede virksomheden resultaterne 16. oktober 2026. 7
- WorldOlympiad: Thinker-WM blev rapporteret som nummer ét samlet med 0,740. Tallet omfattede 0,531 i 3D-konsistens og 0,765 i interaktionsfidelitet; UBTECHs omtale angav, at modellen også lå øverst på de to delmål. Benchmarken bygger på interaktionsdata fra virkelige robotter med mere end ti robottyper og flere kameraopsætninger og undersøger blandt andet generalisering på tværs af robotformer og kameravinkler.
12
- EWMBench: UBTECH rapporterede en samlet score på 4,66 og en førsteplads. Omtalen siger, at resultatet var højere end blandt andet Qwen-RobotWorlds og Sora 2’s, men de tilgængelige uddrag giver ikke sammenligningstallene. De dokumenterer heller ikke Thinker-WMs konkrete delscorer for banesammenligning og dynamik.
13
- WorldArena 1.0 Track-1: Thinker-WM blev rapporteret som samlet førende på tværs af 12 evalueringsdimensioner. De tilgængelige uddrag opregner ikke alle dimensionerne eller deres scorer, og de giver ikke grundlag for uafhængigt at bekræfte evalueringsopsætningen.
Hvad viste dybde-ablationen?
I en ablationstest på RoboTwin steg succesraten for en enkelt opgave med 15 procentpoint, da dybde blev tilføjet. Det er en absolut ændring i procentpoint – ikke en relativ forbedring på 15 procent. Det tilgængelige uddrag oplyser ikke succesraten før og efter ændringen. 16
Træningsdata og funktioner
UBTECHs modelkort angiver cirka 20.000 timers egocentrisk data og 10.000 timers robotdata, altså omkring 30.000 timer i alt. Det tilgængelige uddrag omtaler også en underkategori på cirka 4.000 timer, men er afbrudt. Derfor kan fordelingen mellem data fra fysiske robotter og simulering ikke fastslås sikkert ud fra materialet her. 10
ArXiv-beskrivelsen siger, at den samme modelparameterisering kan understøtte flere funktioner, blandt andet fælles generering af video og handling. Annonceringen omtaler seks funktioner eller driftstilstande, men de tilgængelige oplysninger specificerer ikke alle kombinationer af input og output. Det er derfor ikke muligt her at bekræfte en komplet liste eller præcist skelne mellem video-til-handling og invers dynamik. 12
Tilsvarende mangler der tilstrækkelig dokumentation i de tilgængelige uddrag til at beskrive træningsdata fordelt på hjem, butikker og fabrikker, handlingsformatet for endeeffektorer, kropsspecifikke tags eller Data Factory-processens udvælgelse, kvalitetskontrol og justering af dybde- og videodata.
Hvad kan en bevægelsesprobe vise?
De fremlagte uddrag giver heller ikke nok oplysninger til at verificere, hvordan en mindre probe blev trænet på fastlåste visuelle features, hvilke resultater den fik for endeeffektorens forskydning, eller hvilke baselines den blev sammenlignet med. Hvis en probe kan udlede bevægelsesrelateret forskydning fra visuelle features, tyder det på, at de indeholder information om bevægelse. Det beviser dog ikke i sig selv, at modellen forstår fysisk årsag og virkning eller kan styre en robot pålideligt.
Det bedst underbyggede ved Thinker-WM er altså selve idéen om en fælles repræsentation og de annoncerede hovedresultater. Flere detaljer om driftstilstande, databehandling og probe-forsøget kan ikke bekræftes ud fra de tilgængelige kilder.
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 "UBTECHs Thinker-WM samler robotvideo, dybde og handling i én model"?
Thinker WM bruger særskilte encodere til RGB video, metrisk dybde og robotbevægelser, men samler informationen i et fælles latent rum, som en fælles transformer behandler.
What are the key points to validate first?
Thinker WM bruger særskilte encodere til RGB video, metrisk dybde og robotbevægelser, men samler informationen i et fælles latent rum, som en fælles transformer behandler. UBTECH rapporterede førstepladser på WorldOlympiad, EWMBench og WorldArena 1.0 Track 1; resultaterne er virksomhedens egne annoncerede benchmarktal.
What should I do next in practice?
Modellen er ifølge UBTECH trænet på cirka 30.000 timers data. De tilgængelige kilder dokumenterer dog ikke alle detaljer om træningsdata, seks driftstilstande eller probe eksperimentet.
Sources
note.comRobot & AI Technology Daily Report October 17, 2026
autonews.gasgoo.comUBTECH Thinker-WM Ranks First in Three Major Embodied World Model Benchmarks
tokenheart.aiTokenHeart