AnswersPublished18 sources
UBTECHin Thinker-WM mallintaa videota, etäisyyksiä ja robotin toimintaa yhdessä
Thinker WM:n arkkitehtuuri käsittelee RGB videota, metristä syvyystietoa ja robotin toimintoja yhteisen latenttiesityksen kautta. UBTECH ilmoitti mallin saavuttaneen kärkisijoitukset WorldOlympiad , EWMBench ja WorldArena 1.0 Track 1 vertailuissa.
JulkaisijaMuokattu mallilla GPT-6 LunaKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Thinker WM:n arkkitehtuuri käsittelee RGB videota, metristä syvyystietoa ja robotin toimintoja yhteisen latenttiesityksen kautta.
- UBTECH ilmoitti mallin saavuttaneen kärkisijoitukset WorldOlympiad , EWMBench ja WorldArena 1.0 Track 1 vertailuissa.
- Yhtiön raportoimissa tuloksissa syvyystiedon lisääminen paransi RoboTwin tehtävän onnistumista 15 prosenttiyksikköä; useita koulutus ja arviointiyksityiskohtia ei kuitenkaan ole lähteissä avattu.
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 on UBTECHin kehittämä multimodaalinen maailmamalli, joka yhdistää samaan järjestelmään robotin kamerakuvan, syvyystiedon ja toiminnan. Sen sijaan, että videon ennustaminen, ympäristön geometria ja robotin ohjaus käsiteltäisiin erillisinä osina, malli pyrkii kuvaamaan niiden välisiä yhteyksiä yhteisessä esityksessä. 2
3
Yksi yhteinen esitys eri syötteille
ArXiv-julkaisun mukaan jokaisella modaliteetilla – RGB-videolla, metrisellä syvyystiedolla ja robotin toiminnoilla – on oma kooderinsa. Ne muuntavat syötteet yhteiseen latenttiavaruuteen, jossa jaettua Unified Dynamics Transformer -muuntajaa käytetään niiden yhteiseen käsittelyyn. Modaliteettikohtaiset dekooderit tuottavat tämän jälkeen ulostuloiksi esimerkiksi videota, syvyyskarttoja ja robotin suoritettavia toimintoja. 2
3
Ajatuksena on, että ulkonäkö, kolmiulotteinen rakenne ja liike eivät jäisi toisistaan irrallisiksi tiedoiksi. Yhteinen malli voi oppia niiden suhteita samassa dynaamisessa esityksessä. ArXiv-kuvaus nostaa tämän esiin erona lähestymistapoihin, joissa visuaalinen ennustaminen, geometria ja toiminta yhdistetään vasta erillisten rajapintojen tai jatkomoduulien kautta. Lähteet eivät kuitenkaan osoita, että ratkaisu olisi automaattisesti tehokkaampi tai helpompi ottaa käyttöön kuin vaihtoehdot. 14
UBTECHin raportoimat vertailutulokset
UBTECH kertoi 16. lokakuuta 2026 Thinker-WM:n sijoittuneen ensimmäiseksi kolmessa robotiikan maailmamalleihin liittyvässä vertailussa. Alla olevat tulokset ovat yhtiön ilmoittamia, eivät tässä aineistossa riippumattomasti vahvistettuja sijoituksia. 7
- WorldOlympiad: kokonaispisteet 0,740. Yhtiön mukaan mallin tulos oli 0,531 3D-johdonmukaisuudessa ja 0,765 vuorovaikutuksen uskollisuudessa; se ilmoitti näiden olleen vertailun parhaat tulokset. Testi perustuu todellisten robottien vuorovaikutusdataan, jossa on mukana yli kymmenen robottityyppiä ja useita kamerakokoonpanoja. Tavoitteena on arvioida yleistymistä robottien ja kuvakulmien välillä.
12
- EWMBench: ilmoitettu kokonaispistemäärä oli 4,66. UBTECHin mukaan tulos ylitti muun muassa Qwen-RobotWorldin ja Sora 2:n tulokset, mutta käytettävissä olevissa lähteissä ei anneta niiden vertailupisteitä. Myöskään Thinker-WM:n rataosuman tai dynamiikan erillisiä pistemääriä ei ole vahvistettu tässä aineistossa.
13
- WorldArena 1.0 Track-1: UBTECH ilmoitti mallin olleen kokonaisuutena kärjessä 12 arviointiulottuvuudella. Lähteet eivät erittele kaikkia ulottuvuuksia tai niiden pisteitä, eikä arviointiasetelman yksityiskohtia voi niiden perusteella vahvistaa.
Syvyystiedon vaikutus ja avoimet kysymykset
Yhtiön raportoiman ablaatiokokeen mukaan syvyystiedon lisääminen paransi RoboTwinin yksittäisen tehtävän onnistumisastetta 15 prosenttiyksikköä. Kyse on prosenttiyksiköistä, ei 15 prosentin suhteellisesta kasvusta. Lähdekatkelmassa ei ilmoiteta tehtävän alkuperäistä eikä uutta onnistumisastetta. 16
UBTECHin mallikortissa koulutusmääräksi ilmoitetaan noin 20 000 tuntia egosentristä aineistoa ja 10 000 tuntia robottiaineistoa, yhteensä noin 30 000 tuntia. Käytettävissä oleva kuvaus ei erittele luotettavasti robottiaineiston osuutta todellisista roboteista ja simulaatiosta. 10
Julkaisu- ja uutislähteissä Thinker-WM:lle kuvataan kuusi kyvykkyyttä, mutta saatavilla olevat tiedot eivät erittele niiden tarkkoja syöte- ja tulosteyhdistelmiä. Siksi esimerkiksi video-toiminnoksi-muunnoksen ja käänteisen dynamiikan eroa tai kaikkia toimintatiloja ei voi tässä vahvistaa. Myös yksityiskohdat eri robottityyppien koulutusdatasta, aineiston laadunvarmistuksesta ja syvyys- sekä videokuvan kohdistamisesta jäävät epäselviksi.
Samoin pienestä liikeanturiksi kuvatusta kokeesta ei ole tässä aineistossa riittävästi tietoa sen koulutustavan, tulosten tai vertailukohtien varmistamiseen. Vaikka robotin liikkeeseen liittyvän siirtymän päättelemistä visuaalisista piirteistä voisi pitää merkkinä eri modaliteettien yhteydestä, se ei yksin todista mallin ymmärtävän fysiikkaa kausaalisesti tai ohjaavan robottia luotettavasti.
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 "UBTECHin Thinker-WM mallintaa videota, etäisyyksiä ja robotin toimintaa yhdessä"?
Thinker WM:n arkkitehtuuri käsittelee RGB videota, metristä syvyystietoa ja robotin toimintoja yhteisen latenttiesityksen kautta.
What are the key points to validate first?
Thinker WM:n arkkitehtuuri käsittelee RGB videota, metristä syvyystietoa ja robotin toimintoja yhteisen latenttiesityksen kautta. UBTECH ilmoitti mallin saavuttaneen kärkisijoitukset WorldOlympiad , EWMBench ja WorldArena 1.0 Track 1 vertailuissa.
What should I do next in practice?
Yhtiön raportoimissa tuloksissa syvyystiedon lisääminen paransi RoboTwin tehtävän onnistumista 15 prosenttiyksikköä; useita koulutus ja arviointiyksityiskohtia ei kuitenkaan ole lähteissä avattu.
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