新闻/量子位·12 天前

优必选Thinker-WM登顶三大基准，UDT架构统一表征提升操作成功率15%

优必选具身世界模型Thinker-WM在WorldOlympiad等三大评测夺冠，综合得分0.740。采用UDT架构统一RGB、深度与动作表征，基于3万小时异构数据训练，单模型支持六大能力，RoboTwin任务操作成功率提升15%。

AI 整理

• 仿真与训练
• 数据与采集
• 具身模型

本文由 AI 根据公开内容整理，可能有误，请以原文为准：霸榜三大基准！优必选 Thinker-WM：多模态统一表征，单模型实现六大能力（量子位）

核心内容

优必选自研具身世界模型Thinker-WM在WorldOlympiad、EWMBench及WorldArena1.0 Track-1三大基准评测中均获第一。其中WorldOlympiad综合得分0.740，3D一致性0.531与交互保真度0.765居首；EWMBench总分4.66超越Qwen-RobotWorld与Sora2，在nDTW轨迹匹配与Dyn动力学一致性等核心运动指标上领先，验证了跨本体泛化与时空对齐能力。

技术上采用Unified Dynamic Transformer（UDT）架构，将RGB、度量深度与机器人动作映射至统一潜在空间联合演化，使几何信息成为原生生成模态。训练依托约3万小时异构数据，含2万小时人类视频、1万小时真实机器人数据及1千小时仿真数据，通过Data Factory实现多源解耦。RoboTwin消融实验显示引入深度模态后操作成功率提升15个百分点，Motion Probe证实视觉表征已内嵌动作耦合信息。

关键看点

• 基准性能：WorldOlympiad综合得分0.740位列榜首，3D一致性与交互保真度双项第一，EWMBench总分4.66超越主流模型
• UDT架构：采用Unified Dynamic Transformer统一编码RGB、深度与动作token，通过共享注意力机制实现多模态深层耦合
• 数据规模：训练语料达3万小时，含2万小时人类视频、1万小时真实机器人数据及3千小时对齐深度标注
• 性能验证：RoboTwin任务引入深度模态后操作成功率提升15%，Motion Probe实验证实冻结视觉表征可低误差恢复末端位移

工程与产业观察

Thinker-WM验证了从“视频生成+策略头”拼接范式向“视觉-几何-动作统一表征”演进的技术可行性。将深度作为原生模态联合建模解决了物理因果关联丢失痛点，结合3万小时异构数据与Data Factory工程体系，表明高质量具身数据治理与统一表征架构对构建通用世界模型具有明确参考价值。

来源

本页事实对应的公开页面，以原文为准。

1. 量子位：霸榜三大基准！优必选 Thinker-WM：多模态统一表征，单模型实现六大能力访问 2026-10-17