AnswersPublished18 sources
Slik fungerer UBTECHs Thinker-WM
Thinker WM behandler RGB video, metrisk dybde og robotbevegelser i én modell, med egne kodere og dekodere rundt en felles dynamisk representasjon. UBTECH oppga førsteplass i WorldOlympiad, EWMBench og WorldArena 1.0 Track 1.
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- Thinker WM behandler RGB video, metrisk dybde og robotbevegelser i én modell, med egne kodere og dekodere rundt en felles dynamisk representasjon.
- UBTECH oppga førsteplass i WorldOlympiad, EWMBench og WorldArena 1.0 Track 1. Resultatene er selskapets egne kunngjøringer, ikke uavhengig bekreftede rangeringer.
- I en test på RoboTwin skal bruk av dybde ha økt suksessraten med 15 prosentpoeng.
- Det er oppgitt rundt 20 000 timer egosentrisk data og 10 000 timer robotdata, men kildene som er tilgjengelige her gir ikke en pålitelig fordeling mellom ulike datatyper.
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
UBTECHs Thinker-WM er en modell for roboter som skal knytte sammen hva de ser, hvordan omgivelsene er formet, og hvilke handlinger de kan utføre. I stedet for å behandle video, geometri og kontroll som hvert sitt problem, modellerer den RGB-video, metrisk dybde og robotbevegelser samlet. 2
3
Én felles modell, egne innganger og utganger
Hver datatype går først gjennom sin egen koder. Derfra føres video, dybde og handlinger inn i en felles latent representasjon – et internt format modellen bruker til å lære sammenhenger. En felles Unified Dynamics Transformer behandler representasjonen, før egne dekodere lager de aktuelle utdataene: video, dybdekart eller robot handlinger. 2
3
ArXiv-artikkelen beskriver dette som en samling på representasjonsnivå: utseende, geometri og handling utvikles sammen i én dynamisk modell, samtidig som hver datatype beholder sin egen form. 2
3
Tanken er å lære forholdet mellom det roboten oppfatter og det den gjør i selve modellen, framfor å koble sammen separate moduler for videogenerering, geometri og handling etterpå. Kildene beskriver denne forskjellen, men dokumenterer ikke i utdragene konkrete gevinster i effektivitet eller drift. 14
Resultatene UBTECH meldte om
UBTECH kunngjorde 16. oktober 2026 at Thinker-WM hadde fått førsteplass i tre tester av såkalte embodied world models – modeller som skal representere verden slik en robot oppfatter og påvirker den. Dette er selskapets rapporterte resultater, ikke en uavhengig bekreftelse av gjeldende rangeringer. 7
- WorldOlympiad: Oppgitt totalscore var 0,740, med 0,531 for 3D-konsistens og 0,765 for samspillstrofasthet. Ifølge omtalen bygger testen på data fra ekte roboter: mer enn ti ulike robottyper og flere kamerakonfigurasjoner brukes til å undersøke generalisering på tvers av robotkropper og synsvinkler.
12
- EWMBench: UBTECH oppga en totalscore på 4,66 og førsteplass. Omtalen sier at resultatet var høyere enn for blant andre Qwen-RobotWorld og Sora 2, men kildene her gir ikke sammenligningstall eller delresultater for banetreff og dynamikk.
13
- WorldArena 1.0 Track-1: UBTECH meldte om samlet ledelse på tvers av 12 vurderingsdimensjoner. De tilgjengelige utdragene gir ikke poeng for hver dimensjon.
Hva dybde bidro med i RoboTwin
I en ablasjonstest – der man undersøker effekten av å ta bort eller legge til en komponent – skal det å inkludere dybde ha løftet suksessraten på én RoboTwin-oppgave med 15 prosentpoeng. Det er en økning målt i prosentpoeng, ikke en relativ forbedring på 15 prosent. Kilden oppgir ikke selve start- og sluttraten. 16
Treningsdata og funksjoner
UBTECHs modellkort oppgir omtrent 20 000 timer egosentrisk data og 10 000 timer robotdata, til sammen rundt 30 000 timer. Utdragene som er tilgjengelige her gir ikke et sikkert grunnlag for å fordele robotdataene mellom ekte roboter og simulering, eller for å bekrefte den etterspurte oppdelingen av videodata etter hjem, butikk og fabrikk. 10
ArXiv-beskrivelsen sier at den samme modellstrukturen kan brukes til flere oppgaver, blant annet å generere video og robotbevegelser sammen. UBTECH omtaler seks funksjoner med delte modellvekter, men kildene som er tilgjengelige her dokumenterer ikke en fullstendig liste over hvordan hver funksjon mates inn og hva den produserer. Det er derfor ikke mulig å bekrefte nøyaktig hvilke av dem som skiller mellom framtidsprediksjon, handlingsutledning og invers dynamikk. 12
Detaljer om handlingsformat, robotspesifikke merkelapper og dataprosessen «Data Factory» – som utvalg, kvalitetskontroll og synkronisering av dybde med video – er heller ikke tilstrekkelig dokumentert i utdragene. Det samme gjelder forsøket med en liten bevegelsesprobe på frosne visuelle egenskaper. Selv om en slik probe kan vise at visuelle representasjoner inneholder informasjon om bevegelse, ville det alene ikke bevise fysisk forståelse eller pålitelig robotkontroll.
Kort sagt er hovedideen i Thinker-WM godt beskrevet: video, dybde og handling føres inn i én felles dynamisk modell. De store testresultatene og enkelte effekter er rapportert av UBTECH, mens flere finere detaljer om funksjoner, data og forsøksoppsett fortsatt ikke kan verifiseres ut fra kildene her.
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 "Slik fungerer UBTECHs Thinker-WM"?
Thinker WM behandler RGB video, metrisk dybde og robotbevegelser i én modell, med egne kodere og dekodere rundt en felles dynamisk representasjon.
What are the key points to validate first?
Thinker WM behandler RGB video, metrisk dybde og robotbevegelser i én modell, med egne kodere og dekodere rundt en felles dynamisk representasjon. UBTECH oppga førsteplass i WorldOlympiad, EWMBench og WorldArena 1.0 Track 1. Resultatene er selskapets egne kunngjøringer, ikke uavhengig bekreftede rangeringer.
What should I do next in practice?
I en test på RoboTwin skal bruk av dybde ha økt suksessraten med 15 prosentpoeng.
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