据arXiv资料，UBTECH Thinker Team于2026年10月13日提交了Thinker-WM论文，10月14日更新版本。该系统面向具身智能中的世界模型，将RGB视觉、度量深度和机器人动作放入同一套动态建模框架，通过共享的Unified Dynamics Transformer进行表征与生成，同时保留不同模态各自的输出结构。论文摘要
论文指出，现有具身世界模型常把视觉变化、几何结构和可执行动作交给彼此分离的接口或下游模块处理，这可能限制跨模态信息的联合利用。Thinker-WM试图在表征层面统一外观、空间几何和动作，使它们在共享参数中共同演化，再由模态专用编码器和解码器完成输入输出。
训练数据规模包括约2万小时第一视角视频、1万小时真实机器人数据和1000小时模拟数据，其中约4000小时真实机器人数据带有对齐的深度监督。论文摘要称，该模型在EWMBench、WorldOlympiad和WorldArena等具身世界模型评测中排名第一，受控实验也显示动作条件、几何交互和多功能联合训练具有作用。不过，这些结论来自研究团队提交的预印本摘要，尚未在此独立复核完整实验设置、基线选择和统计显著性，因此不宜直接视为通用机器人能力已被证明。
这项工作的意义在于，它把具身智能的“世界模型”从单纯预测视频或单一传感器状态，进一步推向视觉、空间和动作的联合预测。若共享动态表征能够在不同机器人、场景和任务之间保持迁移，可能减少感知、建模与控制之间的接口损耗；但实际效果仍取决于数据质量、动作标注一致性、仿真与真实环境差异，以及模型在长时序任务中的误差累积。当前可确认的信息主要来自论文摘要，尚不足以判断其真实部署成本和泛化范围。
参考来源：
- Thinker-WM: A Unified World Model with Shared Multimodal Representations for Embodied Intelligence 2026-10-13
由 AI 整理，仅供参考；请以原始来源为准。
