AnswersPublished20 sources
Thinker-WM: Robotların gördüğünü ve yapacağını aynı modelde birleştirme girişimi
Thinker WM, görüntü, derinlik bilgisi ve robot eylemlerini ayrı sistemlerde değil, ortak bir temsil üzerinde modellemeyi hedefliyor. UBTECH’in açıkladığı sonuçlarda model; WorldOlympiad’da 0,740, EWMBench’te 4,66 puan aldı ve WorldArena 1.0 Track 1’de 12 değerlendirme boyutunda genel liderlik bildirdi.
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Thinker WM, görüntü, derinlik bilgisi ve robot eylemlerini ayrı sistemlerde değil, ortak bir temsil üzerinde modellemeyi hedefliyor.
- UBTECH’in açıkladığı sonuçlarda model; WorldOlympiad’da 0,740, EWMBench’te 4,66 puan aldı ve WorldArena 1.0 Track 1’de 12 değerlendirme boyutunda genel liderlik bildirdi.
- Şirketin paylaştığı ablation sonucuna göre derinlik bilgisini eklemek, RoboTwin’de tek görev başarısını 15 yüzde puan artırdı.
- Veri kümesinin yaklaşık 30 bin saat olduğu belirtiliyor; ancak altı çalışma modunun tüm tanımları ve veri toplama hattının ayrıntıları sunulan kaynaklarla doğrulanamıyor.
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’in Thinker-WM’i, robotların çevreyi nasıl gördüğünü, mekânsal yapıyı nasıl temsil ettiğini ve hangi eylemi gerçekleştireceğini aynı model içinde ele almayı amaçlayan çok modlu bir “dünya modeli”. ArXiv’de yayımlanan teknik çalışmaya göre model, RGB video, metrik derinlik ve robot eylemlerini birlikte modelliyor ve üretiyor. 1
17
Ortak temsil, ayrı giriş ve çıkışlar
Her veri türü önce kendine özgü bir kodlayıcıdan geçiyor. RGB video, derinlik haritası ve eylem bilgisi ardından ortak bir gizil temsile aktarılıyor; bu temsili ortak Unified Dynamics Transformer işliyor. Çıktıda ise her veri türü kendi çözücüsüyle video, derinlik haritası veya eylem biçiminde yeniden üretiliyor. Başka bir deyişle model, görünüşü, geometrik bilgiyi ve hareketi ortak bir dinamik temsilde buluştururken bunların farklı çıktı yapılarını koruyor. 1
17
Bu yaklaşımın gerekçesi, görsel değişimi, geometriyi ve uygulanabilir eylemi ayrı modüller arasında sonradan bağlamak yerine aralarındaki ilişkiyi modelin ortak temsili içinde öğrenmek. Teknik açıklama, bu bileşenlerin ortak bir dinamik modelde birlikte temsil edilmesini ayrı arayüzlere dayalı yaklaşımlardan farklılaştırıyor. Ancak mevcut kaynaklar, bu tasarımın çalışma hızını veya sahadaki kullanım başarısını ne ölçüde artırdığını kanıtlayan ayrıntılı karşılaştırmalar sunmuyor. 8
UBTECH’in açıkladığı benchmark sonuçları
Aşağıdaki puanlar, UBTECH’in duyuru döneminde açıkladığı sonuçlardır; bunları bağımsız biçimde doğrulanmış, güncel sıralamalar olarak değerlendirmemek gerekir. Şirket, 16 Ekim 2026’da üç embodied world model benchmark’ında ilk sırada yer aldığını duyurdu. 2
7
- WorldOlympiad: Thinker-WM için toplam 0,740 puan bildirildi. Modelin 3D tutarlılık puanı 0,531, etkileşim sadakati puanı ise 0,765 olarak açıklandı; haberlerde bu iki alt ölçütte de katılımcılar arasında en yüksek sonucun alındığı belirtildi. Benchmark, ondan fazla robot gövdesi ve farklı kamera düzeneklerinden gerçek robot etkileşim verileriyle, farklı robot biçimlerine ve bakış açılarına genellemeyi değerlendiriyor.
2
7
- EWMBench: Açıklanan toplam puan 4,66. UBTECH’in duyuru kapsamındaki karşılaştırmasına göre bu sonuç Qwen-RobotWorld ve Sora 2 gibi modellerin önündeydi. Haberlerde Thinker-WM’in yörünge eşleştirme ve dinamik tutarlılık ölçütlerinde de öne çıktığı bildirildi; ancak karşılaştırmalı puanlar ve alt ölçütlerin sayısal değerleri mevcut alıntılarda yer almıyor.
6
13
- WorldArena 1.0 Track-1: UBTECH, modelin 12 değerlendirme boyutunun genelinde lider olduğunu açıkladı. Kaynaklarda tek tek boyutların puanları verilmediğinden, bu başlıkta sonuçları daha ayrıntılı karşılaştırmak mümkün değil.
3
Derinlik bilgisi başarıyı nasıl etkiledi?
UBTECH’in ablation testine ilişkin haberde, derinlik bilgisinin modele eklenmesinin RoboTwin’de tek görev başarısını 15 yüzde puan artırdığı bildirildi. Bu, göreli olarak yüzde 15 artış değil, yüzde puan cinsinden mutlak fark anlamına geliyor. Kaynak alıntısı başlangıç ve son başarı oranlarını vermediği için artışın hangi seviyeler arasında gerçekleştiği net değil. 13
16
Eğitim verisi ve çalışma modları: Bilinenler ve eksikler
UBTECH’in model kartında yaklaşık 20 bin saat egosantrik veri ile 10 bin saat robot verisi bildiriliyor; toplam hacim yaklaşık 30 bin saat. Model kartı ayrıca yaklaşık 4 bin saatlik derinlik denetimli veri bulunduğunu belirtiyor. Ancak sunulan kaynaklar, egosantrik görüntülerin ev, perakende ve fabrika gibi ortamlara göre dağılımını ya da robot verisinin gerçek robot ve simülasyon arasındaki ayrıntılı paylaşımını açıklamıyor. 1
4
Makale, aynı parametrelemenin birden fazla işlevi desteklediğini ve ortak video-eylem üretimi gibi kullanımları sayıyor. Buna karşın mevcut kaynak parçaları, duyuruda sözü edilen altı çalışma modunun tamamını ve her modda hangi girdilerin verilip hangi çıktıların üretildiğini eksiksiz biçimde doğrulamaya yetmiyor. Video üzerinden eylem çıkarımı ile ters dinamik gibi başlıkların kesin tanımlarını da bu kaynaklardan çıkarmak mümkün değil. 17
Eylemlerin uç-efektör pozu biçiminde kodlanması, farklı robot gövdelerini tanımlayan etiketler ve “Data Factory” veri işleme hattının örnekleme, kalite kontrolü ve video-derinlik hizalama adımları da mevcut alıntılarda yeterince ayrıntılandırılmıyor. Bu nedenle bu noktalar hakkında kesin teknik ayrıntı vermek doğru olmaz.
Ortak temsil, fiziksel anlayışın kanıtı mı?
Makalede görsel özelliklerin hareketle ilgili bilgi taşıyıp taşımadığını sınayan küçük bir hareket probundan söz edildiğine dair bir kaynak özeti bulunuyor. Ancak probun donmuş görsel özelliklerle nasıl eğitildiği, uç-efektör yer değiştirmesini ne ölçüde tahmin ettiği ve hangi kıyaslama sonuçlarını aldığı sunulan bilgilerde açıklanmıyor. Görsel temsilden hareket bilgisi çıkarabilmek, özelliklerin eylemle ilişkili ipuçları içerdiğini gösterebilir; tek başına fiziksel nedenselliğin anlaşıldığını veya robotun güvenilir biçimde kontrol edilebildiğini kanıtlamaz.
Özetle Thinker-WM’in temel iddiası, robotun gördüğü görüntüyü, sahnenin derinlik yapısını ve eylemini aynı dinamik temsilde ilişkilendirmek. Mimari ve duyuru sırasındaki başlıca benchmark sonuçları kaynaklarda yer alıyor; ancak çalışma modlarının ayrıntıları, veri hattı ve hareket probu deneyinin sonuçları için daha kapsamlı teknik bilgi gerekiyor.
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: Robotların gördüğünü ve yapacağını aynı modelde birleştirme girişimi"?
Thinker WM, görüntü, derinlik bilgisi ve robot eylemlerini ayrı sistemlerde değil, ortak bir temsil üzerinde modellemeyi hedefliyor.
What are the key points to validate first?
Thinker WM, görüntü, derinlik bilgisi ve robot eylemlerini ayrı sistemlerde değil, ortak bir temsil üzerinde modellemeyi hedefliyor. UBTECH’in açıkladığı sonuçlarda model; WorldOlympiad’da 0,740, EWMBench’te 4,66 puan aldı ve WorldArena 1.0 Track 1’de 12 değerlendirme boyutunda genel liderlik bildirdi.
What should I do next in practice?
Şirketin paylaştığı ablation sonucuna göre derinlik bilgisini eklemek, RoboTwin’de tek görev başarısını 15 yüzde puan artırdı.
Sources
arxiv.orgThinker-WM: A Unified World Model with Shared Multimodal Representations for Embodied Intelligence
robotworld.topWorld Models - Robotics & Embodied AI Content