机器人圈出了个硬核新闻：优必选自研的 Thinker-WM 世界模型，一口气在三个具身智能权威基准测试里全部拿了第一🏆

📊 三大榜单成绩速览

• WorldOlympiad（考跨机器人/跨视角泛化）：综合分0.740排第一，3D一致性、交互保真度两个单项也是全场最高。简单说就是——换个机器人本体、换个摄像头角度，它照样能看懂世界。

• EWMBench（考场景一致性+动作对不对）：总分4.66，压过 Qwen-RobotWorld、Sora2 这些热门选手。机器人动作轨迹匹配度（nDTW）、运动动力学合理性都领先。

• WorldArena 1.0 Track-1（仿真环境12项维度）：画质、物理合理性、指令遵循全面领跑，不是只会生成好看画面，而是“物理上说得通”。

🧠 它牛在哪？一句话：把视频、深度、动作塞进同一个“大脑”

以前的做法像拼乐高：视频生成管画面、策略网络管动作、几何模块管空间，三块各算各的，最后硬拼一起。结果就是因果链条断了——杯子被推下桌，画面、动作、空间信息对不上。

Thinker-WM 反着来：在表征层就统一。RGB画面、深度图、机器人关节动作，全部编码到同一个潜在空间，交给一个叫 UDT（统一动态Transformer）的模块联合推演。视觉token、几何token、动作token在注意力机制里直接互相“聊天”，不再靠后期接口缝合。

深度信息也不再是打补丁，而是当“母语”一起生成。实测加了这个深度模态后，RoboTwin 操作成功率直接涨了15个百分点，机器人对真实空间的体感明显变准。

⚙️ 一个模型，六种活儿都能干

同一套权重，切一切输入输出就能切换模式：

（附图）相当于一个底座通吃“想、看、动”全链路，不用堆七八个专用小模型。

📦 底子硬：3万小时异构数据喂出来的

• ~2万小时第一视角人类视频（家庭/商超/工业场景）

• ~1万小时真机机器人实操数据（多机型、带动作配对）

• ~1千小时仿真高精度物理数据

团队还专门搞了个 Data Factory 数据流水线，统一清洗、对齐、质检、异步喂数，解决多源数据格式打架的老大难问题。另外还做了个轻量 Motion Probe 实验，冻住视觉表征只训一个小预测头，就能从纯画面特征里还原出机械臂位移——实锤：视觉和动作真的在共享空间里耦合了，不是表面缝合怪。

🤖 这意味着啥？

过去机器人更像“会执行指令的工具”，Thinker-WM 让它在同一套表征里同步推演“接下来画面怎么变、空间结构啥样、我该咋动”。这是从“干活”迈向“理解世界因果”的关键一步。

目前模型已经在优必选自家机器人平台上跑通验证，技术报告和开源地址陆续放出：

🔗 论文：网页链接

🔗 项目页：网页链接

🔗 GitHub：网页链接

优必选 具身智能 世界模型 ThinkerWM 机器人 AI前沿