उत्तरप्रकाशित1 घंटे पहलेLast edited 1 घंटे पहले18 स्रोत

Thinker-WM: रोबोट को दुनिया का अनुमान लगाने और कार्रवाई करने में मदद देने वाला मॉडल

Thinker WM अलग अलग वीडियो, ज्यामिति और नियंत्रण प्रणालियों के बजाय RGB वीडियो, metric depth और रोबोट की कार्रवाइयों को साझा प्रतिनिधित्व में मॉडल करता है। कंपनी ने WorldOlympiad, EWMBench और WorldArena 1.0 Track 1 में शीर्ष प्रदर्शन की घोषणा की; ये कंपनी द्वारा बताए गए नतीजे हैं, स्वतंत्र पुष्टि नहीं। UBTECH के मॉडल...

प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

Thinker WM अलग अलग वीडियो, ज्यामिति और नियंत्रण प्रणालियों के बजाय RGB वीडियो, metric depth और रोबोट की कार्रवाइयों को साझा प्रतिनिधित्व में मॉडल करता है।
कंपनी ने WorldOlympiad, EWMBench और WorldArena 1.0 Track 1 में शीर्ष प्रदर्शन की घोषणा की; ये कंपनी द्वारा बताए गए नतीजे हैं, स्वतंत्र पुष्टि नहीं।
UBTECH के मॉडल कार्ड के अनुसार प्रशिक्षण में करीब 20,000 घंटे egocentric data और 10,000 घंटे robot data शामिल हैं।

What is UBTECH’s Thinker WM, as detailed on October 17, 2026, and how does its arXiv documented architecture unify RGB video, metric depth aAI-generated editorial hero image for 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.
AI संकेत
Create 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
openai.com

Thinker-WM, UBTECH का एक मल्टीमॉडल वर्ल्ड मॉडल है—यानी ऐसा मॉडल जो दुनिया के दृश्य और उसमें होने वाली गतिविधियों का अनुमान लगाने के लिए कई तरह की जानकारी साथ में सीखता है। यह RGB वीडियो, metric depth (दृश्य में वस्तुओं की मापी जा सकने वाली दूरी/गहराई) और रोबोट की कार्रवाइयों को अलग-अलग समस्याएँ मानने के बजाय, उन्हें एक साथ मॉडल और जनरेट करता है। इसके arXiv पेपर में इसकी मुख्य संरचना को modality-specific encoders और decoders के साथ साझा Unified Dynamics Transformer बताया गया है। 2 3

एक साझा प्रतिनिधित्व, अलग-अलग इनपुट और आउटपुट

हर तरह की जानकारी—वीडियो, depth या action—पहले अपने encoder से गुजरती है। फिर ये एक साझा आंतरिक प्रतिनिधित्व, यानी latent space, में पहुँचती हैं। वहाँ साझा Transformer उन्हें साथ में संसाधित करता है; इसके बाद अलग-अलग decoders वीडियो, depth map या रोबोट के लिए कार्रवाई निकालते हैं। पेपर इसे प्रतिनिधित्व के स्तर पर एकीकरण बताता है: दिखावट, ज्यामिति और कार्रवाई साझा dynamics representation में साथ विकसित होते हैं, जबकि उनके आउटपुट अलग बने रहते हैं। 2 3

इस डिज़ाइन का मकसद दृश्य में बदलाव, वस्तुओं की ज्यामिति और रोबोट की कार्रवाई के बीच संबंध एक ही मॉडल में सीखना है। पेपर की पृष्ठभूमि में ऐसे तरीकों से फर्क बताया गया है जहाँ वीडियो, geometry और executable action अलग इंटरफेस या बाद के मॉड्यूलों के ज़रिए जुड़े होते हैं। हालांकि उपलब्ध विवरण से यह साबित नहीं होता कि साझा ढाँचा हर स्थिति में अधिक तेज़, सस्ता या आसानी से तैनात किया जा सकता है। 14

बेंचमार्क: कंपनी ने क्या बताया?

ये UBTECH की घोषणा के समय बताए गए नतीजे हैं—स्वतंत्र रूप से सत्यापित मौजूदा लीडरबोर्ड नतीजे नहीं। 17 अक्टूबर की रिपोर्ट के अनुसार कंपनी ने 16 अक्टूबर को तीन embodied-world-model बेंचमार्क में Thinker-WM के पहले स्थान पर रहने की घोषणा की। 7

WorldOlympiad: Thinker-WM का कुल स्कोर 0.740 बताया गया। इसमें 3D consistency के लिए 0.531 और interaction fidelity के लिए 0.765 शामिल थे; कंपनी की रिपोर्ट के मुताबिक दोनों उप-स्कोर भी सबसे ऊँचे थे। इस बेंचमार्क में दस से अधिक तरह के रोबोट और कई कैमरा कॉन्फ़िगरेशन से मिले वास्तविक रोबोट-इंटरैक्शन डेटा का इस्तेमाल होता है। इसका उद्देश्य अलग-अलग रोबोट संरचनाओं और कैमरा दृश्यों के बीच मॉडल की सामान्यीकरण क्षमता जाँचना है। 12
EWMBench: घोषित कुल स्कोर 4.66 था और कंपनी ने Thinker-WM को पहले स्थान पर बताया। रिपोर्टों में Qwen-RobotWorld और Sora 2 से आगे होने का दावा भी है, लेकिन उपलब्ध सामग्री में तुलना के स्कोर या trajectory-matching और dynamics के अलग-अलग उप-स्कोर नहीं दिए गए हैं। 13
WorldArena 1.0 Track-1: घोषणा में 12 मूल्यांकन आयामों में कुल मिलाकर बढ़त की बात कही गई। इसे सिमुलेशन-आधारित बेंचमार्क बताया गया है, लेकिन उपलब्ध अंशों में सभी आयामों और उनके अलग-अलग स्कोर की सूची नहीं है। 13

डेप्थ जानकारी जोड़ने का असर

RoboTwin के ablation परीक्षणों में depth को शामिल करने पर एकल-कार्य सफलता दर 15 प्रतिशत-अंक बढ़ने की रिपोर्ट दी गई। प्रतिशत-अंक का मतलब दो सफलता दरों का सीधा अंतर है—यह 15% की सापेक्ष बढ़ोतरी के समान नहीं है। उपलब्ध अंश में शुरुआती और अंतिम सफलता दर नहीं दी गईं। 16

प्रशिक्षण डेटा और दावों की सीमाएँ

UBTECH के मॉडल कार्ड में करीब 20,000 घंटे egocentric data और 10,000 घंटे robot data का उल्लेख है—कुल मिलाकर लगभग 30,000 घंटे। मॉडल कार्ड के उपलब्ध अंश में करीब 4,000 घंटे की एक उप-श्रेणी का जिक्र शुरू होता है, लेकिन विवरण अधूरा है। इसलिए वास्तविक रोबोट और सिमुलेशन डेटा का पूरा बँटवारा उपलब्ध जानकारी से तय नहीं किया जा सकता। 10

घोषणाओं में साझा weights वाले मॉडल की छह क्षमताओं का भी उल्लेख है। लेकिन उपलब्ध स्रोत यह स्पष्ट नहीं करते कि हर mode में कौन-सी जानकारी इनपुट और कौन-सा आउटपुट होता है। इसलिए joint video-action generation, भविष्य का अनुमान, policy inference, video-to-action और inverse dynamics सहित पूरी छह-mode सूची की पुष्टि यहाँ नहीं की जा सकती। इसी तरह घर, खुदरा और फैक्टरी से जुड़े मानव-वीडियो डेटा का बँटवारा, अलग-अलग रोबोटों के लिए action format और टैग, Data Factory की गुणवत्ता-जाँच प्रक्रिया तथा depth-video alignment की बारीकियाँ भी उपलब्ध अंशों में सत्यापित नहीं हैं।

संक्षेप में, Thinker-WM की केंद्रीय तकनीकी बात साफ है: अलग-अलग प्रकार की जानकारी को एक साझा dynamics मॉडल में जोड़ना। वास्तुकला और घोषित बेंचमार्क परिणामों के समर्थन में सामग्री मौजूद है, लेकिन डेटा पाइपलाइन, छह modes की पूरी परिभाषा और motion-probe प्रयोग की विस्तृत पुष्टि उपलब्ध अंशों से नहीं होती।

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं