AnswersPublished20 sources
Bagaimana Thinker-WM menghubungkan apa yang robot lihat dengan tindakannya
Thinker WM menggunakan pengekod khusus bagi video RGB, kedalaman metrik dan tindakan robot, kemudian menghubungkan semuanya melalui ruang laten bersama dan Unified Dynamics Transformer. UBTECH melaporkan Thinker WM menduduki tempat pertama dalam tiga penanda aras; antara skor yang diumumkan ialah 0.740 di WorldOlymp...
Diterbitkan olehDisunting dengan GPT-6 LunaImej dijana dengan GPT Image 2
Research answer
Key takeaways
- Thinker WM menggunakan pengekod khusus bagi video RGB, kedalaman metrik dan tindakan robot, kemudian menghubungkan semuanya melalui ruang laten bersama dan Unified Dynamics Transformer.
- UBTECH melaporkan Thinker WM menduduki tempat pertama dalam tiga penanda aras; antara skor yang diumumkan ialah 0.740 di WorldOlympiad dan 4.66 di EWMBench.
- Laporan ujian ablasi menyatakan penambahan kedalaman meningkatkan kejayaan tugasan tunggal RoboTwin sebanyak 15 mata peratusan.
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 ialah model dunia multimodal UBTECH yang direka untuk menghubungkan apa yang robot lihat dengan cara dunia berubah dan tindakan yang patut dilakukannya. Berbeza daripada sistem yang mengendalikan ramalan video, geometri dan kawalan secara berasingan, model ini mempelajari video RGB, kedalaman metrik dan tindakan robot dalam satu rangka kerja bersama. 1
17
Satu teras bersama untuk tiga jenis maklumat
Setiap jenis input melalui pengekodnya sendiri. Maklumat daripada video, peta kedalaman—yang menunjukkan jarak objek—dan tindakan robot kemudian dipetakan ke ruang laten bersama. Unified Dynamics Transformer memproses representasi itu secara bersama, sebelum penyahkod khusus menghasilkan video, peta kedalaman atau tindakan yang boleh dilaksanakan. 1
17
Menurut kertas arXiv, penyatuan berlaku pada peringkat representasi: rupa visual, geometri dan tindakan dikembangkan bersama oleh parameter yang dikongsi, sambil mengekalkan bentuk output yang berbeza. Reka bentuk ini bertujuan mempelajari hubungan antara perkara yang dilihat robot dengan perubahan dan gerakannya dalam model dinamik yang sama, bukannya menyambungkan modul video, geometri dan tindakan melalui antara muka berasingan. Sumber yang tersedia tidak membuktikan bahawa pendekatan ini semestinya lebih pantas atau lebih mudah digunakan. 8
17
Keputusan penanda aras yang diumumkan
Pada 16 Oktober 2026, UBTECH mengumumkan Thinker-WM menduduki tempat pertama dalam tiga penanda aras model dunia berjasad. Angka di bawah ialah keputusan yang dilaporkan dalam pengumuman dan liputan berkaitan, bukan pengesahan bebas terhadap kedudukan semasa. 2
7
- WorldOlympiad: Skor keseluruhan yang dilaporkan ialah 0.740. Thinker-WM turut mencatat 0.531 untuk konsistensi 3D dan 0.765 untuk kesetiaan interaksi, yang dilaporkan sebagai keputusan terbaik bagi kedua-dua ukuran tersebut. Penanda aras ini menggunakan data interaksi robot sebenar daripada lebih sepuluh jenis badan robot dan beberapa konfigurasi kamera untuk menguji keupayaan merentas bentuk robot dan sudut pandang.
2
7
- EWMBench: Skor keseluruhan yang diumumkan ialah 4.66. Laporan turut menyebut keputusan mendahului model termasuk Qwen-RobotWorld dan Sora 2, serta prestasi teratas pada ukuran padanan trajektori dan dinamik. Skor perbandingan bagi model lain dan pecahan angka ukuran tersebut tidak dinyatakan dalam petikan yang tersedia.
4
6
- WorldArena 1.0 Track-1: Thinker-WM dilaporkan mendahului keseluruhan merentas 12 dimensi penilaian dalam penanda aras yang menggunakan persekitaran simulasi. Senarai penuh dimensi dan skor bagi setiap satunya tidak diberikan dalam petikan yang tersedia.
3
Apa yang ditunjukkan oleh ujian kedalaman
Dalam ujian ablasi RoboTwin yang dilaporkan, penambahan kedalaman sebagai output menaikkan kadar kejayaan bagi tugasan tunggal sebanyak 15 mata peratusan. Ini ialah perubahan mutlak, bukan peningkatan relatif sebanyak 15%. Petikan sumber tidak menyertakan kadar kejayaan sebelum dan selepas penambahan kedalaman. 13
16
Data latihan dan had maklumat yang tersedia
Kad model UBTECH menyatakan Thinker-WM dilatih menggunakan kira-kira 20,000 jam data egosentrik—rakaman daripada perspektif orang pertama—dan 10,000 jam data robot, bersamaan kira-kira 30,000 jam keseluruhannya. Kad itu juga menyebut kira-kira 4,000 jam data dengan penyeliaan kedalaman yang sejajar. 4
Kertas arXiv menyatakan rangka kerja yang sama boleh menyokong beberapa fungsi, termasuk penjanaan video dan tindakan secara bersama. Namun, petikan sumber yang tersedia tidak menyenaraikan dengan jelas kesemua enam mod operasi atau kombinasi input-outputnya. Ia juga tidak cukup terperinci untuk mengesahkan pecahan data mengikut rumah, peruncitan atau kilang, format tindakan berasaskan pose hujung lengan robot, penandaan khusus badan robot, atau langkah kawalan mutu dan penjajaran video-kedalaman. 1
17
Ringkasnya, sumbangan utama Thinker-WM ialah cubaan menyatukan rupa, geometri dan tindakan dalam satu representasi dinamik. Keputusan penanda aras dan manfaat kedalaman yang dilaporkan memberi gambaran tentang potensinya, tetapi butiran tertentu tentang latihan dan mod operasinya masih belum dapat dipastikan daripada sumber yang tersedia.
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 "Bagaimana Thinker-WM menghubungkan apa yang robot lihat dengan tindakannya"?
Thinker WM menggunakan pengekod khusus bagi video RGB, kedalaman metrik dan tindakan robot, kemudian menghubungkan semuanya melalui ruang laten bersama dan Unified Dynamics Transformer.
What are the key points to validate first?
Thinker WM menggunakan pengekod khusus bagi video RGB, kedalaman metrik dan tindakan robot, kemudian menghubungkan semuanya melalui ruang laten bersama dan Unified Dynamics Transformer. UBTECH melaporkan Thinker WM menduduki tempat pertama dalam tiga penanda aras; antara skor yang diumumkan ialah 0.740 di WorldOlympiad dan 4.66 di EWMBench.
What should I do next in practice?
Laporan ujian ablasi menyatakan penambahan kedalaman meningkatkan kejayaan tugasan tunggal RoboTwin sebanyak 15 mata peratusan.
Sources
arxiv.orgThinker-WM: A Unified World Model with Shared Multimodal Representations for Embodied Intelligence
robotworld.topWorld Models - Robotics & Embodied AI Content