Thinker-WM 想解決甚麼問題？

優必選的 Thinker-WM 是一個多模態具身世界模型，目標是讓同一模型一併理解和生成 RGB 影片、度量深度，以及機械人動作，而不是把影像預測、空間幾何和控制分成互不相通的系統。其 arXiv 論文描述的核心，是由不同模態專用編碼器和解碼器，配合共享的 Unified Dynamics Transformer。 23

架構：各自編碼，共享建模

影片、深度和動作各有自己的輸入編碼器，先轉換到共同的潛在表徵，再交由同一個動態模型聯合處理；輸出時則由相應的模態解碼器產生影片、深度圖或動作。論文將這種做法稱為在表徵層面統一：外觀、幾何和動作在共享表徵中一同演化，同時保留各自不同的輸出形式。 23

設計上的考量，是不要只靠不同模組之間的介面，或把幾何和動作留給下游系統處理，而是嘗試在同一動態模型內學習它們之間的關係。現有資料支持這個設計方向，但不足以證明它在部署效率或實際操作上一定較佳。 14

公布的三項基準成績

以下是優必選公布、媒體報道的成績，不應視為本文獨立核實的最新排行榜。相關報道指，優必選於 2026 年 10 月 16 日公布 Thinker-WM 在三項具身世界模型基準中排名第一。 7

• **WorldOlympiad：**報道指總分為 0.740，其中 3D 一致性為 0.531、互動保真度為 0.765，兩項分項均稱為參賽者中最高。基準採用真實機械人互動資料，涵蓋十多種機械人本體和多種相機配置，用來評估模型跨機械人形態及跨視角的泛化表現。 12
• **EWMBench：**公布總分為 4.66，報道指排名第一。現有摘錄沒有提供 Qwen-RobotWorld 或 Sora 2 的對照分數，也不足以核實 Thinker-WM 在軌跡匹配、動力學等項目的具體分數。 13
• **WorldArena 1.0 Track-1：**報道指模型在 12 個評估維度的整體表現領先；但目前資料不足以列出全部維度和分數，也未能獨立核實評測設定的細節。 13

深度資訊帶來甚麼差別？

消融測試是比較模型加入或移除某項設計後，表現有何變化。相關報道指，在 RoboTwin 的單一任務測試中加入深度資訊，成功率提高 15 個百分點。這指的是絕對增幅，並非相對提升 15%；現有摘錄沒有列出加入前後的實際成功率。 16

訓練資料與其他能力：已知和未能核實的部分

優必選的模型資料卡列出，Thinker-WM 使用約 20,000 小時的第一身視角資料，以及約 10,000 小時的機械人資料，合共約 30,000 小時。不過，現有摘錄未能清楚還原真實機械人資料與模擬資料的比例，也無法確認家居、零售和工廠等場景的詳細分布。 10

項目	現有資料可以確認甚麼
六種運作模式	報道提到一個模型支援六種能力，但現有資料沒有列出完整的輸入與輸出組合，亦未能確認「影片轉動作」和逆向動力學的具體區別。 12
跨機械人訓練與資料流程	不足以核實末端執行器位姿的動作格式、機械人專屬標籤、資料抽樣與分層質檢程序，以及深度和影片如何對齊。
動作探針實驗	不足以核實探針如何在凍結的視覺特徵上訓練、末端執行器位移結果或比較基線。

如果凍結的視覺特徵能用來推回與動作相關的位移，這可以顯示特徵中含有動態資訊；但單憑這種結果，不能證明模型具備因果層面的物理理解，也不能證明它能穩定控制機械人。

總括而言，Thinker-WM 的核心構想和公司公布的基準成績有來源支持；但六種模式的完整定義、訓練資料流程和動作探針實驗等細節，現有資料仍未能核實。

Thinker-WM 想解決甚麼問題？

優必選的 Thinker-WM 是一個多模態具身世界模型，目標是讓同一模型一併理解和生成 RGB 影片、度量深度，以及機械人動作，而不是把影像預測、空間幾何和控制分成互不相通的系統。其 arXiv 論文描述的核心，是由不同模態專用編碼器和解碼器，配合共享的 Unified Dynamics Transformer。 23

架構：各自編碼，共享建模

影片、深度和動作各有自己的輸入編碼器，先轉換到共同的潛在表徵，再交由同一個動態模型聯合處理；輸出時則由相應的模態解碼器產生影片、深度圖或動作。論文將這種做法稱為在表徵層面統一：外觀、幾何和動作在共享表徵中一同演化，同時保留各自不同的輸出形式。 23

設計上的考量，是不要只靠不同模組之間的介面，或把幾何和動作留給下游系統處理，而是嘗試在同一動態模型內學習它們之間的關係。現有資料支持這個設計方向，但不足以證明它在部署效率或實際操作上一定較佳。 14

公布的三項基準成績

以下是優必選公布、媒體報道的成績，不應視為本文獨立核實的最新排行榜。相關報道指，優必選於 2026 年 10 月 16 日公布 Thinker-WM 在三項具身世界模型基準中排名第一。 7

• **WorldOlympiad：**報道指總分為 0.740，其中 3D 一致性為 0.531、互動保真度為 0.765，兩項分項均稱為參賽者中最高。基準採用真實機械人互動資料，涵蓋十多種機械人本體和多種相機配置，用來評估模型跨機械人形態及跨視角的泛化表現。 12
• **EWMBench：**公布總分為 4.66，報道指排名第一。現有摘錄沒有提供 Qwen-RobotWorld 或 Sora 2 的對照分數，也不足以核實 Thinker-WM 在軌跡匹配、動力學等項目的具體分數。 13
• **WorldArena 1.0 Track-1：**報道指模型在 12 個評估維度的整體表現領先；但目前資料不足以列出全部維度和分數，也未能獨立核實評測設定的細節。 13

深度資訊帶來甚麼差別？

消融測試是比較模型加入或移除某項設計後，表現有何變化。相關報道指，在 RoboTwin 的單一任務測試中加入深度資訊，成功率提高 15 個百分點。這指的是絕對增幅，並非相對提升 15%；現有摘錄沒有列出加入前後的實際成功率。 16

訓練資料與其他能力：已知和未能核實的部分

優必選的模型資料卡列出，Thinker-WM 使用約 20,000 小時的第一身視角資料，以及約 10,000 小時的機械人資料，合共約 30,000 小時。不過，現有摘錄未能清楚還原真實機械人資料與模擬資料的比例，也無法確認家居、零售和工廠等場景的詳細分布。 10

項目	現有資料可以確認甚麼
六種運作模式	報道提到一個模型支援六種能力，但現有資料沒有列出完整的輸入與輸出組合，亦未能確認「影片轉動作」和逆向動力學的具體區別。 12
跨機械人訓練與資料流程	不足以核實末端執行器位姿的動作格式、機械人專屬標籤、資料抽樣與分層質檢程序，以及深度和影片如何對齊。
動作探針實驗	不足以核實探針如何在凍結的視覺特徵上訓練、末端執行器位移結果或比較基線。

如果凍結的視覺特徵能用來推回與動作相關的位移，這可以顯示特徵中含有動態資訊；但單憑這種結果，不能證明模型具備因果層面的物理理解，也不能證明它能穩定控制機械人。

總括而言，Thinker-WM 的核心構想和公司公布的基準成績有來源支持；但六種模式的完整定義、訓練資料流程和動作探針實驗等細節，現有資料仍未能核實。