ОтветыОпубликовано18 источники
Thinker-WM: единая модель для видео, геометрии и действий робота
Thinker WM — мультимодальная модель мира UBTECH: она совместно моделирует и генерирует RGB видео, метрическую глубину и действия робота. У каждой модальности свой кодировщик, но затем данные попадают в общее латентное представление и обрабатываются Unified Dynamics Transformer; отдельные декодеры формируют соответст...
ОпубликовалОтредактировано с помощью GPT-6 LunaИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- Thinker WM — мультимодальная модель мира UBTECH: она совместно моделирует и генерирует RGB видео, метрическую глубину и действия робота.
- У каждой модальности свой кодировщик, но затем данные попадают в общее латентное представление и обрабатываются Unified Dynamics Transformer; отдельные декодеры формируют соответствующие выходы.
- По заявлению UBTECH, модель заняла первое место на WorldOlympiad, EWMBench и WorldArena 1.0 Track 1.
- В опубликованном описании указано около 20 000 часов эгоцентрических данных и 10 000 часов робототехнических данных.
Промпт ИИ
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 — модель мира, разработанная UBTECH: она совместно моделирует и генерирует RGB-видео, метрическую глубину и действия робота. Проще говоря, модель работает не только с тем, как выглядит сцена, но и с её пространственной структурой и движениями робота. В основе — отдельные кодировщики для разных типов данных и общий блок, который обрабатывает их взаимосвязи. 2
3
Как устроена модель
Сначала RGB-видео, карты глубины и действия кодируются своими специализированными модулями. Затем они переводятся в общее латентное представление — внутренний формат, в котором модель может учитывать их совместно. Unified Dynamics Transformer обрабатывает это представление, а отдельные декодеры формируют выходы соответствующих типов: видео, карты глубины или действия робота. 2
3
В статье на arXiv такая схема описана как объединение на уровне представления: внешний вид сцены, её геометрия и действия проходят совместную обработку, сохраняя при этом разные форматы на выходе. 2
3
Логика подхода — не разносить предсказание видео, геометрию и управление по отдельным модулям, связанным интерфейсами, а учить модель представлять и развивать эти аспекты вместе. Это объясняет замысел архитектуры; имеющиеся материалы, однако, не дают оснований утверждать, что она обязательно быстрее или проще в развёртывании. 14
Какие результаты объявила UBTECH
Речь о результатах, заявленных компанией при публикации новостей о модели, а не о независимо подтверждённом текущем рейтинге. В сообщениях от 17 октября говорится, что UBTECH объявила о первом месте Thinker-WM в трёх тестах. 7
- WorldOlympiad: заявленный общий балл — 0,740. В том числе 0,531 за согласованность 3D-структуры и 0,765 за точность взаимодействия; по обоим показателям модель, согласно сообщению, была лучшей среди участников. Тест использует реальные данные взаимодействия с роботами: в описании упомянуты более десяти типов роботизированных платформ и несколько конфигураций камер. Это позволяет оценивать обобщение между разными платформами и ракурсами.
12
- EWMBench: заявленный общий балл — 4,66 и первое место. В публикациях также говорится, что Thinker-WM опередила Qwen-RobotWorld и Sora 2 и показала сильные результаты по сопоставлению траекторий и динамике. Сравнительные баллы этих моделей и отдельные численные результаты Thinker-WM в доступных выдержках не приведены.
13
- WorldArena 1.0 Track-1: UBTECH заявила о лидерстве по 12 измерениям оценки. Подробный список этих измерений и отдельные баллы в предоставленных материалах не указаны.
Что показал тест с глубиной
В описании тестов RoboTwin сообщается, что добавление глубины повысило успешность выполнения одной манипуляционной задачи на 15 процентных пунктов. Это абсолютное изменение, а не относительный рост на 15%. Исходный и итоговый проценты успешных выполнений в выдержке не приведены. 16
Данные, режимы и ограничения доступных сведений
В карточке модели указаны примерно 20 000 часов эгоцентрических данных и 10 000 часов данных роботов — около 30 000 часов суммарно. В выдержке начинается описание подкатегории примерно на 4 000 часов, но оно обрывается; поэтому надёжно восстановить разбивку между реальными роботами и симуляцией нельзя. 10
Материалы говорят о нескольких возможностях одной модели с общими весами, однако предоставленные выдержки не перечисляют полностью шесть режимов и не позволяют точно сопоставить, какие входы и выходы соответствуют каждому. Поэтому нельзя надёжно подтвердить полный список — в том числе точное разграничение генерации видео вместе с действиями, предсказания будущего, вывода политики, преобразования видео в действие и обратной динамики. 12
Также в доступных источниках недостаточно подробностей, чтобы описать заявленные категории видео от первого лица из дома, розницы и заводов; формат действий через позу рабочего органа; теги для разных платформ; отбор данных и многоступенчатую проверку качества; или выравнивание глубины с видео. Эти детали не следует считать установленными на основании приведённых выдержек.
Не подтверждены и подробности эксперимента с небольшим «зондом», который, согласно вопросу, должен был восстанавливать смещение рабочего органа по замороженным визуальным признакам: в предоставленных материалах нет описания обучения, результатов и баз сравнения. В принципе, такое восстановление могло бы показать, что визуальные признаки содержат информацию о движении. Само по себе оно не доказывало бы ни причинного понимания физики, ни надёжности управления роботом.
Итак, главная подтверждённая особенность Thinker-WM — общий способ обрабатывать изображение, глубину и действия. Заявленные результаты тестов и объём обучающих данных дают общее представление о модели, но детали режимов, конвейера подготовки данных и эксперимента с зондом по имеющимся источникам проверить нельзя.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «Thinker-WM: единая модель для видео, геометрии и действий робота»?
Thinker WM — мультимодальная модель мира UBTECH: она совместно моделирует и генерирует RGB видео, метрическую глубину и действия робота.
Какие ключевые моменты необходимо проверить в первую очередь?
Thinker WM — мультимодальная модель мира UBTECH: она совместно моделирует и генерирует RGB видео, метрическую глубину и действия робота. У каждой модальности свой кодировщик, но затем данные попадают в общее латентное представление и обрабатываются Unified Dynamics Transformer; отдельные декодеры формируют соответствующие выходы.
Что мне делать дальше на практике?
По заявлению UBTECH, модель заняла первое место на WorldOlympiad, EWMBench и WorldArena 1.0 Track 1.
Источники
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