Thinker-WM 是什么？

Thinker-WM 是优必选推出的一种多模态世界模型，目标是让模型不只预测画面，还能同时处理画面中的三维几何信息和机器人动作。其 arXiv 论文介绍的核心设计是：RGB 视频、度量深度和机器人动作分别经过专属编码器，进入共同的潜在表征，再由共享的“统一动力学 Transformer”（Unified Dynamics Transformer）联合建模；输出端则由对应解码器生成视频、深度图或动作。 117

这套设计的重点在于“表征层面的统一”：外观、几何结构和动作在共同的动态表征中一起演化，但各类输出仍保留自身结构。相较于把视频预测、几何估计和控制拆成不同模块、再通过接口衔接，这种做法试图直接学习三者之间的联系。现有材料支持这一设计思路，但不足以据此断言它一定更省算力、更易部署或在所有任务上都更可靠。 1817

优必选公布的三项基准成绩

以下是优必选在 2026 年 10 月 16 日公布、并由次日的报道转述的成绩，应视为公司公布的评测结果，而不是独立核验的实时排行榜。 267

• **WorldOlympiad：**综合得分 0.740，其中 3D 一致性为 0.531，交互保真度为 0.765；报道均称这两项单项成绩位列参评模型前列或第一。该基准使用真实机器人交互数据，覆盖十余种机器人本体和多种相机配置，关注模型能否跨机器人形态、跨视角泛化。 267
• **EWMBench：**总分 4.66，报道指其超过 Qwen-RobotWorld 和 Sora 2。相关材料还称 Thinker-WM 在轨迹匹配与动力学指标上表现领先，但没有提供足以复核的对比模型分数或这些子项的具体数值。 613
• **WorldArena 1.0 Track-1：**报道指其在 12 项评价维度上整体领先。相关报道将该赛道描述为仿真环境评测，但现有材料没有列出 12 项的完整名称、各项分数或可供独立复核的细节。 36

深度信息是否帮助机器人操作？

一项消融测试的报道指出，在 RoboTwin 的单任务操作评测中，加入深度信息后成功率提高了 15 个百分点。这是绝对百分点的变化，并不等同于相对提升 15%。现有摘录没有列出加入前后的具体成功率，因此无法进一步判断基线水平或不同任务上的变化幅度。 1316

训练数据与尚待核实的细节

优必选模型卡披露，Thinker-WM 使用约 2 万小时的第一视角数据和 1 万小时的机器人数据；模型卡还提到约 4,000 小时带有对齐深度监督的数据。现有材料没有充分说明第一视角数据在家庭、零售或工厂等场景中的分布，也不足以可靠拆分机器人数据中的真实采集与仿真部分。 14

论文材料称，同一套参数可支持多种功能，并举出视频与动作联合生成等例子。不过，现有来源没有完整列出所谓六种模式各自的输入、输出组合，因此无法据此确认视频转动作与逆动力学等模式的确切定义。 17

对于跨机器人本体训练所用的动作格式、机型标签，以及 Data Factory 的采样、质量检查和深度—视频对齐流程，现有来源也没有提供足够细节。有关运动探针的材料同样不足以核实其是否基于冻结视觉特征训练、末端位移预测结果及对照基线。即使这类探针能从视觉特征中恢复与动作有关的信息，也不能单独证明模型具备因果物理理解或可靠的机器人控制能力。

简而言之，Thinker-WM 的核心看点是把视觉、几何和动作放进同一动态表征中学习；基准成绩和深度消融结果则仍需结合原始评测细节与更多可复核数据来看。

Thinker-WM 是什么？

Thinker-WM 是优必选推出的一种多模态世界模型，目标是让模型不只预测画面，还能同时处理画面中的三维几何信息和机器人动作。其 arXiv 论文介绍的核心设计是：RGB 视频、度量深度和机器人动作分别经过专属编码器，进入共同的潜在表征，再由共享的“统一动力学 Transformer”（Unified Dynamics Transformer）联合建模；输出端则由对应解码器生成视频、深度图或动作。 117

这套设计的重点在于“表征层面的统一”：外观、几何结构和动作在共同的动态表征中一起演化，但各类输出仍保留自身结构。相较于把视频预测、几何估计和控制拆成不同模块、再通过接口衔接，这种做法试图直接学习三者之间的联系。现有材料支持这一设计思路，但不足以据此断言它一定更省算力、更易部署或在所有任务上都更可靠。 1817

优必选公布的三项基准成绩

以下是优必选在 2026 年 10 月 16 日公布、并由次日的报道转述的成绩，应视为公司公布的评测结果，而不是独立核验的实时排行榜。 267

• **WorldOlympiad：**综合得分 0.740，其中 3D 一致性为 0.531，交互保真度为 0.765；报道均称这两项单项成绩位列参评模型前列或第一。该基准使用真实机器人交互数据，覆盖十余种机器人本体和多种相机配置，关注模型能否跨机器人形态、跨视角泛化。 267
• **EWMBench：**总分 4.66，报道指其超过 Qwen-RobotWorld 和 Sora 2。相关材料还称 Thinker-WM 在轨迹匹配与动力学指标上表现领先，但没有提供足以复核的对比模型分数或这些子项的具体数值。 613
• **WorldArena 1.0 Track-1：**报道指其在 12 项评价维度上整体领先。相关报道将该赛道描述为仿真环境评测，但现有材料没有列出 12 项的完整名称、各项分数或可供独立复核的细节。 36

深度信息是否帮助机器人操作？

一项消融测试的报道指出，在 RoboTwin 的单任务操作评测中，加入深度信息后成功率提高了 15 个百分点。这是绝对百分点的变化，并不等同于相对提升 15%。现有摘录没有列出加入前后的具体成功率，因此无法进一步判断基线水平或不同任务上的变化幅度。 1316

训练数据与尚待核实的细节

优必选模型卡披露，Thinker-WM 使用约 2 万小时的第一视角数据和 1 万小时的机器人数据；模型卡还提到约 4,000 小时带有对齐深度监督的数据。现有材料没有充分说明第一视角数据在家庭、零售或工厂等场景中的分布，也不足以可靠拆分机器人数据中的真实采集与仿真部分。 14

论文材料称，同一套参数可支持多种功能，并举出视频与动作联合生成等例子。不过，现有来源没有完整列出所谓六种模式各自的输入、输出组合，因此无法据此确认视频转动作与逆动力学等模式的确切定义。 17

对于跨机器人本体训练所用的动作格式、机型标签，以及 Data Factory 的采样、质量检查和深度—视频对齐流程，现有来源也没有提供足够细节。有关运动探针的材料同样不足以核实其是否基于冻结视觉特征训练、末端位移预测结果及对照基线。即使这类探针能从视觉特征中恢复与动作有关的信息，也不能单独证明模型具备因果物理理解或可靠的机器人控制能力。

简而言之，Thinker-WM 的核心看点是把视觉、几何和动作放进同一动态表征中学习；基准成绩和深度消融结果则仍需结合原始评测细节与更多可复核数据来看。