Câu trả lờiĐã xuất bản20 nguồn
Thinker-WM muốn giúp robot vừa dự đoán thế giới, vừa chọn cách hành động
Thinker WM kết hợp video RGB, độ sâu đo theo đơn vị thực và hành động robot trong một biểu diễn chung, với bộ mã hóa và giải mã riêng cho từng loại dữ liệu cùng một Unified Dynamics Transformer dùng chung. UBTECH công bố Thinker WM đạt 0,740 trên WorldOlympiad, 4,66 trên EWMBench và dẫn đầu WorldArena 1.0 Track 1 ở...
Đăng bởiBiên tập bằng GPT-6 LunaHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- Thinker WM kết hợp video RGB, độ sâu đo theo đơn vị thực và hành động robot trong một biểu diễn chung, với bộ mã hóa và giải mã riêng cho từng loại dữ liệu cùng một Unified Dynamics Transformer dùng chung.
- UBTECH công bố Thinker WM đạt 0,740 trên WorldOlympiad, 4,66 trên EWMBench và dẫn đầu WorldArena 1.0 Track 1 ở 12 chiều đánh giá.
- Trong thử nghiệm ablation được dẫn lại, bổ sung dữ liệu độ sâu giúp tỷ lệ thành công của một tác vụ RoboTwin tăng 15 điểm phần trăm; nguồn không nêu tỷ lệ trước và sau thử nghiệm.
- Tài liệu hiện có xác nhận khoảng 20.000 giờ dữ liệu góc nhìn thứ nhất và 10.000 giờ dữ liệu robot, nhưng chưa đủ để xác định đầy đủ cách chia dữ liệu hoặc danh sách chính xác của sáu chế độ vận hành.
Prompt AI
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 là mô hình thế giới đa phương thức do UBTECH phát triển, được mô tả trong bài báo arXiv tháng 10/2026. Thay vì chỉ dự đoán video hoặc tạo lệnh điều khiển riêng rẽ, mô hình cùng lúc xử lý và tạo ra video RGB, độ sâu theo đơn vị thực và hành động robot. 1
Điểm đáng chú ý không chỉ là mô hình có thể nhận nhiều loại dữ liệu, mà là cách nó đưa chúng vào một quá trình dự đoán động lực chung. Điều này nhằm kết nối những gì robot nhìn thấy với cấu trúc không gian và chuyển động mà nó cần thực hiện.
Một lõi dùng chung, đầu vào và đầu ra riêng
Thinker-WM dùng bộ mã hóa riêng cho từng phương thức: video RGB, bản đồ độ sâu và hành động robot được chuyển thành biểu diễn trong cùng một không gian tiềm ẩn. Sau đó, một Unified Dynamics Transformer xử lý chúng cùng nhau. Các bộ giải mã riêng chuyển kết quả trở lại thành loại đầu ra tương ứng, như video, bản đồ độ sâu hoặc hành động có thể thực thi. 1
17
Có thể hình dung kiến trúc này như ba đầu vào khác nhau cùng đi qua một lõi dự đoán chung, thay vì mỗi đầu vào có một hệ thống độc lập. Theo mô tả trong bài báo, mô hình thống nhất ở cấp độ biểu diễn: thông tin về diện mạo, hình học và hành động được đưa vào một biểu diễn động lực chung, nhưng vẫn giữ cấu trúc đầu ra riêng của từng loại dữ liệu. 17
Cách thiết kế đó nhắm đến một vấn đề thường gặp: động lực hình ảnh, hình học không gian và hành động có thể nằm trong các mô-đun riêng, nối với nhau qua giao diện hoặc thành phần phía sau. Thinker-WM hướng tới việc học mối liên hệ giữa chúng ngay trong mô hình chung. Tuy vậy, các nguồn hiện có không đủ để kết luận thiết kế này chắc chắn giảm chi phí, tăng tốc độ triển khai hay vượt trội trong mọi ứng dụng. 8
17
Các kết quả benchmark UBTECH công bố
Ngày 16/10/2026, UBTECH cho biết Thinker-WM đứng đầu ba benchmark về mô hình thế giới cho robot; thông tin được đưa tin vào ngày 17/10. Đây là kết quả do công ty công bố, không nên xem là xác nhận độc lập về bảng xếp hạng ở thời điểm hiện tại. 2
7
- WorldOlympiad: Thinker-WM đạt điểm tổng hợp 0,740, với 0,531 ở tính nhất quán 3D và 0,765 ở độ trung thực tương tác; các bài đưa tin cho biết hai chỉ số thành phần này đứng đầu nhóm dự thi. Benchmark sử dụng dữ liệu tương tác robot thật, bao phủ hơn mười dạng thân robot và nhiều cấu hình camera, nhằm đánh giá khả năng khái quát giữa các hình thái robot và góc nhìn.
2
7
- EWMBench: UBTECH công bố điểm tổng 4,66 và cho biết mô hình vượt Qwen-RobotWorld và Sora 2. Một nguồn đưa tin cũng nói Thinker-WM có kết quả dẫn đầu ở các chỉ số ghép khớp quỹ đạo và tính nhất quán động lực học; các trích đoạn hiện có không cung cấp điểm đối chiếu cụ thể của từng mô hình.
4
6
13
- WorldArena 1.0 Track-1: UBTECH cho biết Thinker-WM dẫn đầu tổng thể ở 12 chiều đánh giá. Bài đưa tin mô tả đây là benchmark trong môi trường mô phỏng, nhưng tài liệu được cung cấp không liệt kê đầy đủ từng chiều và điểm số tương ứng.
3
Các chỉ số này cho thấy mô hình được đánh giá trên nhiều mặt, từ dự đoán hình ảnh đến chuyển động robot. Nhưng điểm số benchmark không tự nó chứng minh mô hình sẽ điều khiển robot an toàn, ổn định trong mọi môi trường thực tế.
Độ sâu có thể bổ sung gì?
Độ sâu khác với ảnh RGB ở chỗ biểu diễn khoảng cách tới các điểm trong cảnh. Khi được kết hợp với hình ảnh màu và hành động, thông tin này có thể giúp mô hình biểu diễn hình học không gian rõ hơn.
Trong một thử nghiệm ablation trên RoboTwin được dẫn lại, thêm độ sâu làm tỷ lệ thành công của một tác vụ đơn lẻ tăng 15 điểm phần trăm. Đây là mức tăng tuyệt đối tính bằng điểm phần trăm, không phải mức tăng tương đối 15%. Nguồn hiện có không nêu tỷ lệ thành công ban đầu và sau thử nghiệm. 13
16
Dữ liệu huấn luyện và những điều còn chưa rõ
Thẻ mô hình của UBTECH nêu quy mô huấn luyện xấp xỉ 20.000 giờ dữ liệu góc nhìn thứ nhất và 10.000 giờ dữ liệu robot, tổng cộng khoảng 30.000 giờ. Tài liệu cũng đề cập khoảng 4.000 giờ có giám sát độ sâu được căn chỉnh, nhưng phần trích dẫn hiện có không đủ để xác định đầy đủ cách dữ liệu robot được chia giữa robot thật, mô phỏng hay các nguồn khác. 1
4
Bài báo mô tả một bộ tham số chung có thể hỗ trợ nhiều chức năng, trong đó có tạo video và hành động cùng lúc. Tuy nhiên, dù một số bài đưa tin gọi Thinker-WM là mô hình có sáu năng lực, các nguồn hiện có không nêu đủ danh sách và cách kết hợp đầu vào–đầu ra để xác nhận chính xác cả sáu chế độ, bao gồm sự khác biệt giữa chuyển video thành hành động và suy luận động lực ngược. 6
17
Tương tự, tài liệu được cung cấp chưa xác nhận chi tiết về cách phân bổ video con người theo bối cảnh gia đình, bán lẻ hay nhà máy; định dạng hành động theo tư thế đầu công tác; nhãn riêng cho từng loại robot; hoặc quy trình lấy mẫu, kiểm tra chất lượng và căn chỉnh độ sâu với video. Vì vậy, không nên xem các chi tiết này là đã được chứng minh chỉ dựa trên phần mô tả hiện có.
Một bài báo cũng đề cập đến việc dùng một bộ dò nhỏ để kiểm tra xem biểu diễn thị giác có giữ lại thông tin liên quan đến hành động hay không. Ý tưởng là thử suy ra chuyển vị của đầu công tác robot từ đặc trưng hình ảnh đã được giữ cố định. Tuy nhiên, trích đoạn hiện có không nêu đủ thiết lập, kết quả hay đường cơ sở để đánh giá thí nghiệm này. Ngay cả khi suy ra được chuyển động, điều đó cũng chưa đủ để chứng minh mô hình hiểu quan hệ nhân quả vật lý hoặc điều khiển robot đáng tin cậy.
Nhìn chung, điểm mạnh được mô tả của Thinker-WM nằm ở cách đặt hình ảnh, chiều sâu và hành động vào cùng một biểu diễn động lực học. Các điểm số do UBTECH công bố tạo thêm một dấu mốc đánh giá, còn mức độ hữu ích khi triển khai sẽ phụ thuộc vào bằng chứng chi tiết hơn về dữ liệu, các chế độ vận hành và hiệu quả điều khiển thực tế.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "Thinker-WM muốn giúp robot vừa dự đoán thế giới, vừa chọn cách hành động" là gì?
Thinker WM kết hợp video RGB, độ sâu đo theo đơn vị thực và hành động robot trong một biểu diễn chung, với bộ mã hóa và giải mã riêng cho từng loại dữ liệu cùng một Unified Dynamics Transformer dùng chung.
Những điểm chính cần xác nhận đầu tiên là gì?
Thinker WM kết hợp video RGB, độ sâu đo theo đơn vị thực và hành động robot trong một biểu diễn chung, với bộ mã hóa và giải mã riêng cho từng loại dữ liệu cùng một Unified Dynamics Transformer dùng chung. UBTECH công bố Thinker WM đạt 0,740 trên WorldOlympiad, 4,66 trên EWMBench và dẫn đầu WorldArena 1.0 Track 1 ở 12 chiều đánh giá.
Tôi nên làm gì tiếp theo trong thực tế?
Trong thử nghiệm ablation được dẫn lại, bổ sung dữ liệu độ sâu giúp tỷ lệ thành công của một tác vụ RoboTwin tăng 15 điểm phần trăm; nguồn không nêu tỷ lệ trước và sau thử nghiệm.
Nguồn
arxiv.orgThinker-WM: A Unified World Model with Shared Multimodal Representations for Embodied Intelligence
robotworld.topWorld Models - Robotics & Embodied AI Content