คำตอบเผยแพร่แล้ว18 แหล่งที่มา
Thinker-WM รวมภาพสามมิติและการควบคุมหุ่นยนต์ไว้ในโมเดลเดียวอย่างไร
Thinker WM รวมวิดีโอ RGB ข้อมูลความลึกเชิงเมตริก และการกระทำของหุ่นยนต์ไว้ในตัวแทนร่วม โดยใช้ Unified Dynamics Transformer ประมวลผลข้อมูลเหล่านี้ร่วมกัน UBTECH ประกาศผลว่าโมเดลได้อันดับหนึ่งใน WorldOlympiad, EWMBench และ WorldArena 1.0 Track 1 แต่ตัวเลขดังกล่าวเป็นผลที่บริษัทรายงาน ไม่ใช่การยืนยันอันดับปัจจุบันโดยอิ...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Thinker WM รวมวิดีโอ RGB ข้อมูลความลึกเชิงเมตริก และการกระทำของหุ่นยนต์ไว้ในตัวแทนร่วม โดยใช้ Unified Dynamics Transformer ประมวลผลข้อมูลเหล่านี้ร่วมกัน
- UBTECH ประกาศผลว่าโมเดลได้อันดับหนึ่งใน WorldOlympiad, EWMBench และ WorldArena 1.0 Track 1 แต่ตัวเลขดังกล่าวเป็นผลที่บริษัทรายงาน ไม่ใช่การยืนยันอันดับปัจจุบันโดยอิสระ
- ข้อมูลที่ให้มายืนยันชั่วโมงฝึกโดยประมาณและผลทดสอบหนึ่งรายการที่เพิ่มข้อมูลความลึก แต่ยังไม่พอจะแจกแจงโหมดใช้งานทั้งหกหรือรายละเอียดชุดข้อมูลและการทดลอง motion probe
AI พรอมต์
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 คือโมเดลโลกแบบหลายโมดัลของ UBTECH ที่ออกแบบให้เรียนรู้และสร้างข้อมูลสามชนิดร่วมกัน ได้แก่ วิดีโอ RGB ความลึกเชิงเมตริก และการกระทำของหุ่นยนต์ แทนที่จะแยกการสร้างภาพ การแทนโครงสร้างสามมิติ และการควบคุมหุ่นยนต์ออกเป็นระบบคนละส่วน 2
3
โครงสร้างหลัก: แยกทางเข้า แต่ประมวลผลร่วม
ข้อมูลแต่ละชนิดมีตัวเข้ารหัสของตัวเอง ก่อนแปลงเข้าสู่ตัวแทนแฝงร่วม (common latent space) จากนั้น Unified Dynamics Transformer ซึ่งเป็นแกนประมวลผลที่ใช้ร่วมกันจะเรียนรู้ความสัมพันธ์ระหว่างภาพ รูปทรงเชิงลึก และการกระทำ ส่วนตัวถอดรหัสเฉพาะแต่ละโมดัลจะสร้างผลลัพธ์กลับมาเป็นวิดีโอ แผนที่ความลึก หรือการกระทำที่หุ่นยนต์นำไปใช้ได้ 2
3
แนวคิดสำคัญคือทำให้รูปลักษณ์ของฉาก เรขาคณิต และการเคลื่อนไหวพัฒนาไปในตัวแทนพลวัตเดียวกัน แต่ยังคงรูปแบบผลลัพธ์เฉพาะของข้อมูลแต่ละชนิดไว้ 2
3 งานอธิบายโมเดลเปรียบแนวทางนี้กับระบบที่เชื่อมการทำนายภาพ โครงสร้างเรขาคณิต และคำสั่งที่นำไปปฏิบัติได้ผ่านส่วนต่อประสานหรือโมดูลปลายทางแยกกัน
14
กล่าวอย่างง่าย โมเดลไม่ได้พิจารณาเพียงว่า “ภาพถัดไปควรหน้าตาอย่างไร” แต่ยังพยายามแทนข้อมูลเรื่องระยะและการกระทำในกรอบการประมวลผลเดียวกัน อย่างไรก็ตาม แหล่งข้อมูลที่มีไม่ได้แสดงหลักฐานว่าการออกแบบนี้ให้ข้อได้เปรียบด้านความเร็วหรือการนำไปใช้งานจริงอย่างไร
คะแนนทดสอบที่ UBTECH รายงาน
รายงานข่าววันที่ 17 ตุลาคมระบุว่า UBTECH ประกาศผลการทดสอบเมื่อวันที่ 16 ตุลาคม โดยระบุว่า Thinker-WM ได้อันดับหนึ่งในเกณฑ์ประเมินโมเดลโลกสำหรับหุ่นยนต์ทั้งสามรายการ ตัวเลขต่อไปนี้เป็นผลที่บริษัทประกาศ ไม่ใช่การยืนยันอันดับปัจจุบันจากแหล่งอิสระ 7
- WorldOlympiad: รายงานคะแนนรวม 0.740 คะแนนด้านความสอดคล้องสามมิติอยู่ที่ 0.531 และความเที่ยงตรงของปฏิสัมพันธ์อยู่ที่ 0.765 โดยรายงานว่าเป็นคะแนนสูงสุดในบรรดาผู้เข้าร่วมทั้งสองด้าน เกณฑ์นี้ใช้ข้อมูลปฏิสัมพันธ์จากหุ่นยนต์จริง ครอบคลุมหุ่นยนต์มากกว่าสิบรูปแบบและการตั้งค่ากล้องหลายแบบ เพื่อประเมินการทำงานข้ามรูปร่างหุ่นยนต์และมุมมอง
12
- EWMBench: รายงานคะแนนรวม 4.66 และระบุว่าได้อันดับหนึ่ง แหล่งข้อมูลที่มีไม่พอให้ยืนยันคะแนนเปรียบเทียบของ Qwen-RobotWorld หรือ Sora 2 รวมถึงคะแนนย่อยด้านการจับคู่เส้นทางและพลวัตของ Thinker-WM
13
- WorldArena 1.0 Track-1: รายงานว่าโมเดลนำโดยรวมใน 12 มิติการประเมิน แต่ข้อมูลที่มีไม่แจกแจงชื่อมิติหรือคะแนนแต่ละด้าน จึงยังยืนยันรายละเอียดของการประเมินในสภาพแวดล้อมจำลองไม่ได้
ข้อมูลความลึกช่วยงาน RoboTwin อย่างไร
ผลทดสอบแบบ ablation ที่รายงานระบุว่า เมื่อเพิ่มข้อมูลความลึกเป็นผลลัพธ์ของโมเดล อัตราความสำเร็จของงาน RoboTwin แบบงานเดี่ยวเพิ่มขึ้น 15 จุดเปอร์เซ็นต์ ตัวเลขนี้หมายถึงการเพิ่มขึ้นแบบผลต่างสัมบูรณ์ ไม่ใช่การเพิ่มขึ้น 15% เมื่อเทียบกับค่าฐาน อย่างไรก็ตาม ข้อความแหล่งข้อมูลที่มีไม่ได้ระบุอัตราความสำเร็จก่อนและหลังการเพิ่มข้อมูลความลึก 16
ชั่วโมงฝึกและโหมดใช้งาน: ข้อมูลที่มีบอกอะไรบ้าง
การ์ดโมเดลของ UBTECH ระบุข้อมูลฝึกประมาณ 20,000 ชั่วโมงจากวิดีโอ egocentric หรือภาพจากมุมมองของผู้กระทำ และประมาณ 10,000 ชั่วโมงจากข้อมูลหุ่นยนต์ รวมราว 30,000 ชั่วโมง 10 ข้อความที่ให้มาระบุหมวดย่อยประมาณ 4,000 ชั่วโมงแต่ถูกตัดขาด จึงยังสรุปสัดส่วนระหว่างข้อมูลหุ่นยนต์จริงกับข้อมูลจำลองไม่ได้
รายงานกล่าวถึงโมเดลเดียวที่รองรับความสามารถหกแบบโดยใช้น้ำหนักร่วมกัน แต่ข้อมูลที่มีไม่ได้แจกแจงคู่การป้อนเข้าและผลลัพธ์ของแต่ละโหมดครบถ้วน แม้งานวิจัยจะระบุการสร้างวิดีโอร่วมกับการกระทำเป็นหนึ่งในความสามารถ แต่ยังไม่มีหลักฐานเพียงพอให้ยืนยันรายการทั้งหก หรือแยกความหมายของ video-to-action กับ inverse dynamics ได้อย่างชัดเจน 12
เช่นเดียวกัน แหล่งข้อมูลที่มีไม่เพียงพอสำหรับลงรายละเอียดการแบ่งข้อมูลวิดีโอมนุษย์ตามบ้าน ร้านค้าปลีก และโรงงาน รูปแบบคำสั่งการกระทำแบบท่าปลายแขน (end-effector pose) แท็กแยกตามรูปแบบหุ่นยนต์ หรือขั้นตอนคัดเลือกและตรวจคุณภาพข้อมูลของ Data Factory รวมถึงวิธีจัดแนววิดีโอกับข้อมูลความลึก
ข้อควรระวังในการตีความ
คำอธิบายแนวคิดของการทดลอง motion probe คือใช้ตัวแทนภาพที่ฝึกไว้แล้วและตรึงน้ำหนัก จากนั้นตรวจว่าตัวตรวจจับขนาดเล็กสามารถอ่านการเคลื่อนที่ของปลายแขนหุ่นยนต์จากคุณลักษณะภาพได้หรือไม่ หากทำได้ ก็อาจเป็นสัญญาณว่าตัวแทนภาพมีข้อมูลเกี่ยวกับการเคลื่อนไหวอยู่ด้วย แต่เพียงเท่านี้ยังไม่พิสูจน์ว่าโมเดลเข้าใจเหตุและผลทางกายภาพ หรือควบคุมหุ่นยนต์ได้อย่างน่าเชื่อถือ ข้อมูลที่มีในชุดอ้างอิงยังไม่พอจะยืนยันรายละเอียดการฝึก probe ผลการวัด หรือค่าที่ใช้เปรียบเทียบ
สรุปคือ จุดเด่นที่เอกสารรองรับของ Thinker-WM อยู่ที่การรวมภาพ ความลึก และการกระทำไว้ในตัวแทนร่วม พร้อมคะแนนทดสอบที่ UBTECH ประกาศ ส่วนรายละเอียดการใช้งานทั้งหกแบบ กระบวนการสร้างข้อมูล และผล motion probe ยังต้องอาศัยข้อมูลเพิ่มเติมก่อนสรุปได้แน่ชัด
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "Thinker-WM รวมภาพสามมิติและการควบคุมหุ่นยนต์ไว้ในโมเดลเดียวอย่างไร" คืออะไร
Thinker WM รวมวิดีโอ RGB ข้อมูลความลึกเชิงเมตริก และการกระทำของหุ่นยนต์ไว้ในตัวแทนร่วม โดยใช้ Unified Dynamics Transformer ประมวลผลข้อมูลเหล่านี้ร่วมกัน
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Thinker WM รวมวิดีโอ RGB ข้อมูลความลึกเชิงเมตริก และการกระทำของหุ่นยนต์ไว้ในตัวแทนร่วม โดยใช้ Unified Dynamics Transformer ประมวลผลข้อมูลเหล่านี้ร่วมกัน UBTECH ประกาศผลว่าโมเดลได้อันดับหนึ่งใน WorldOlympiad, EWMBench และ WorldArena 1.0 Track 1 แต่ตัวเลขดังกล่าวเป็นผลที่บริษัทรายงาน ไม่ใช่การยืนยันอันดับปัจจุบันโดยอิสระ
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
ข้อมูลที่ให้มายืนยันชั่วโมงฝึกโดยประมาณและผลทดสอบหนึ่งรายการที่เพิ่มข้อมูลความลึก แต่ยังไม่พอจะแจกแจงโหมดใช้งานทั้งหกหรือรายละเอียดชุดข้อมูลและการทดลอง motion probe
แหล่งที่มา
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