AnswersPublished18 sources
Thinker-WM låter video, djup och robotrörelser mötas i samma modell
Thinker WM är en multimodal världsmodell som gemensamt modellerar RGB video, metriskt djup och robotåtgärder med separata in och utkodare och en gemensam dynamiktransformer. UBTECH uppgav att modellen kom först i tre benchmarktester: WorldOlympiad, EWMBench och WorldArena 1.0 Track 1.
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- Thinker WM är en multimodal världsmodell som gemensamt modellerar RGB video, metriskt djup och robotåtgärder med separata in och utkodare och en gemensam dynamiktransformer.
- UBTECH uppgav att modellen kom först i tre benchmarktester: WorldOlympiad, EWMBench och WorldArena 1.0 Track 1.
- I ett rapporterat ablationstest ökade tillägg av djupdata framgången i en RoboTwin uppgift med 15 procentenheter.
- Källutdragen ger inte tillräckligt underlag för att verifiera modellens sex driftlägen i detalj, hela datainsamlingen eller ett experiment med en rörelseprob.
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
UBTECH:s Thinker-WM är en så kallad världsmodell för robotik: en modell som ska lära sig hur omvärlden förändras och hur robotens handlingar hänger ihop med det den ser. I stället för att behandla bildgenerering, rumslig geometri och styrning som fristående problem samlar modellen RGB-video, metriskt djup och robotåtgärder i en gemensam representation. 1
17
En gemensam modell för syn och handling
Varje datatyp går först genom sin egen kodare. Därefter förs informationen till ett gemensamt latent rum, där en delad Unified Dynamics Transformer bearbetar den. Separata avkodare kan sedan skapa motsvarande utdata: video, djupkartor eller robotåtgärder. Enligt den tekniska beskrivningen sker alltså föreningen i modellens representation, samtidigt som de olika datatyperna behåller sina egna format. 1
17
Det är ett annat upplägg än att koppla ihop separata system för visuell dynamik, geometri och körbara robotkommandon via gränssnitt eller efterföljande moduler. Tanken är att relationerna mellan vad roboten ser, hur världen är uppbyggd och vad den gör ska läras in i samma dynamikmodell. Det motiverar arkitekturvalet, men källmaterialet belägger inte i sig några särskilda fördelar i effektivitet eller driftsättning. 8
Resultaten UBTECH lyfte fram
UBTECH meddelade den 16 oktober 2026 att Thinker-WM placerat sig först i tre tester. Uppgifterna nedan är företagets rapporterade resultat, inte en oberoende verifiering av aktuella topplistor. 2
7
- WorldOlympiad: En totalpoäng på 0,740, med 0,531 för 3D-konsistens och 0,765 för interaktionsföljsamhet. Företagsrapporteringen uppgav att de två delresultaten var bäst bland deltagarna. Testet bygger på verkliga robotinteraktioner med fler än tio robotkroppar och flera kamerauppsättningar, och utvärderar bland annat generalisering mellan robotformer och vyer.
2
7
- EWMBench: En rapporterad totalpoäng på 4,66 och förstaplats. UBTECH uppgav att resultatet slog bland andra Qwen-RobotWorld och Sora 2, men det tillgängliga materialet innehåller inte jämförelsesiffrorna eller Thinker-WM:s delresultat för banmatchning och dynamik.
13
- WorldArena 1.0 Track-1: En rapporterad totalledning över 12 utvärderingsdimensioner. Underlaget räcker inte för att lista samtliga dimensioner eller poäng.
Djupdata och robotträning
I ett ablationstest, där man jämför varianter av en modell, uppges tillägg av djupdata ha höjt framgången på en enskild RoboTwin-uppgift med 15 procentenheter. Det är en absolut ökning, inte en relativ förbättring på 15 procent. De återgivna uppgifterna anger inte start- och slutnivåerna. 16
UBTECH:s modellkort anger omkring 20 000 timmar egocentrisk data och 10 000 timmar robotdata, alltså cirka 30 000 timmar totalt. Det tillgängliga utdraget nämner också en underkategori på ungefär 4 000 timmar, men är avklippt. Därför går det inte att säkert fastställa uppdelningen mellan verkliga robotdata och simulering. 4
Företagsrapportering beskriver Thinker-WM som en enda modell med sex förmågor, men källutdragen specificerar inte samtliga kombinationer av indata och utdata. De räcker inte heller för att verifiera detaljer om datainsamling från hem, butik och fabrik, roboternas handlingsformat eller hur data kvalitetssäkras och synkas mellan djup och video. 7
Vad resultaten inte visar
Det saknas också tillräckligt underlag för att kontrollera det beskrivna experimentet med en liten rörelseprob som skulle ha tränats på frysta bildrepresentationer för att återskapa robotens ändpunktsförflyttning. Även om ett sådant resultat skulle visa att bildrepresentationerna innehåller information om rörelse, vore det inte i sig bevis för kausal förståelse av fysik eller tillförlitlig robotstyrning.
Den övergripande arkitekturen och de rapporterade topplaceringarna är beskrivna i källorna. Flera detaljer om driftlägen, dataprocessning och rörelseexperimentet förblir däremot obekräftade i det tillgängliga materialet.
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 "Thinker-WM låter video, djup och robotrörelser mötas i samma modell"?
Thinker WM är en multimodal världsmodell som gemensamt modellerar RGB video, metriskt djup och robotåtgärder med separata in och utkodare och en gemensam dynamiktransformer.
What are the key points to validate first?
Thinker WM är en multimodal världsmodell som gemensamt modellerar RGB video, metriskt djup och robotåtgärder med separata in och utkodare och en gemensam dynamiktransformer. UBTECH uppgav att modellen kom först i tre benchmarktester: WorldOlympiad, EWMBench och WorldArena 1.0 Track 1.
What should I do next in practice?
I ett rapporterat ablationstest ökade tillägg av djupdata framgången i en RoboTwin uppgift med 15 procentenheter.
Sources
arxiv.orgThinker-WM: A Unified World Model with Shared Multimodal Representations for Embodied Intelligence
robotworld.topWorld Models - Robotics & Embodied AI Content