# 0.740、4.66、12 项领先：优必选把视频、深度、动作压进同一套表征，三榜登顶的分母是 3 万小时数据

> Thinker-WM 在三大具身世界模型基准全部登顶，技术卖点是把 RGB、深度、动作当成「同一个物理过程的三种表述」；但真正决定它上限的，是 3 万小时异构数据的编排方式。

### TLDR

- **三榜全一**：优必选自研世界模型 Thinker-WM 在 WorldOlympiad（综合 0.740，3D 一致性 0.531、交互保真度 0.765 两项单项第一）、EWMBench（综合 4.66，超过 Qwen-RobotWorld、Sora2）、WorldArena 1.0 Track-1（12 项维度整体领先）全部拿下第一名。
- **核心架构**：Unified Dynamic Transformer（UDT）把 RGB 视频、度量深度、机器人动作编码进同一套共享动态表征联合演化，单一模型支持视频-动作联合生成、世界预测、策略推理、视频转动作、逆动力学等六种能力。
- **深度是「母语」不是外挂**：深度作为原生生成模态与视频共享表征，RoboTwin 消融实验中引入深度模态后操作成功率较无深度基线提升 15 个百分点。
- **数据分母**：约 2 万小时第一人称人类视频（含约 1 千小时对齐深度）+ 约 1 万小时真实机器人数据（约 3 千小时深度标注）+ 约 1 千小时仿真数据，统一用末端位姿表示所有机器人动作。
- **判断：**这份成绩单的看点不在榜单名次，而在「统一表征 + 数据基建」的耦合——刷榜门槛正在从架构设计转向数据编排能力。

### SRC

素材时间窗为 2026-10-18 09:00→19:00。事件原始发布在 10 月 16 日（新浪科技当日 15:32 通稿、量子位当日成篇技术拆解），属本窗口外 2 天内的行业进展，按「近 3 日补充解读」扩窗采信；窗口内新增量是 10-17 前后多份行业日报对其技术细节的二次拆解，本篇为成篇解读。基准得分（0.740、0.531、0.765、4.66）与训练数据体量（约 2 万小时人类视频、约 1 万小时真机数据、约 1 千小时仿真）均出自优必选官方发布口径，经新浪科技与量子位两家媒体报道交叉核对；「三大公认基准」的表述为厂商口径；MotionProbe 消融与 +15 个百分点来自厂商自述实验，未获独立第三方复现。与既有稿件的差异：472 号稿（信通院 2026 十大关键词）仅在趋势层面提到「世界模型改行做规划」，本文是对具体模型成绩与技术路线的单独拆解。判断均为作者观点，以「判断：」标注。

### BODY

<div class="sec">
<div class="eyebrow">三项第一各自在考什么</div>
<p>10 月 16 日，优必选宣布其自研统一多模态世界模型 Thinker-WM 在三大具身世界模型基准上全部拿下第一名。三张考卷的侧重点并不相同：WorldOlympiad 基于大量真实机器人交互数据构建，覆盖十余种本体与多类相机配置，考的是跨形态、跨视角泛化，Thinker-WM 综合得分 0.740 位列榜首，3D 一致性 0.531、交互保真度 0.765 两项单项也居全部参评模型首位；EWMBench 完整考核场景一致性、末端运动正确性、指令语义对齐三个维度，Thinker-WM 综合总分 4.66，超过 Qwen-RobotWorld、Sora2 等主流模型；仿真基准 WorldArena 1.0 Track-1 则在视觉画质、内容一致性、物理合理性、3D 几何精度、指令遵循等 12 项维度上整体领先。</p>
</div>

<div class="sec">
<div class="eyebrow">「同一个事件」为什么要一套表征</div>
<p>过往世界模型普遍是拼接式：视频生成管画面、策略网络管动作、几何预测管空间，模块独立计算再接口合并。优必选 Thinker 团队的论证是：一个「杯子被推下桌子」，在语言里是一句话，在动作里是一串关节命令，在视频里是一段物体运动，在深度里是一组距离场——四种表述指向同一个事件，拆到不同模块会把物理上紧密耦合的因果关系切断。</p>
<p>Thinker-WM 的解法是把 RGB、度量深度、机器人动作各自编码后送进同一个 Unified Dynamic Transformer 联合时序建模，深度不再是辅助监督信号，而是与视频共享潜在拓扑的原生生成模态。厂商称之为让物理空间结构成为世界模型的「母语」。消融实验给了支撑：RoboTwin 单任务上，引入深度模态后操作成功率较无深度基线提升 15 个百分点。团队还设计了 MotionProbe 验证：在冻结的视觉表征上接一个极小的运动预测头，仅凭视觉表征就能以很低误差恢复末端执行器位移，说明动作相关信息确实在共享空间里被编码了。</p>
</div>

<div class="sec">
<div class="eyebrow">分母：3 万小时数据的编排方式</div>
<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">第一人称人类视频</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:67%"></div></div><div class="jx-bar-val">约2万小时</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">真实机器人数据</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:33%"></div></div><div class="jx-bar-val">约1万小时</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">仿真数据</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:4%"></div></div><div class="jx-bar-val">约1千小时</div></div>
<div class="jx-legend"><div class="jx-lg">训练语料构成，含对齐深度标注约 4 千小时；来源：优必选官方口径，2026-10-16</div></div>
</div>
<p>数据侧的编排有两处值得展开。一是跨本体统一：不同机器人的动作空间、坐标系、控制协议差异巨大，Thinker-WM 统一使用末端位姿表示所有机器人动作，再为每台机器人在 token 里嵌入专属标签——不同形态共享同一个生成空间，同时保留各自的本体控制精度。二是数据基建 DataFactory：统一组织视频、状态、动作与语言信息，分层质检过滤异常片段、校验深度与视频对齐，再用异步预取和编码复用减少训练等待。厂商称模型已完成在优必选机器人平台上的部署验证。</p>
</div>

<div class="sec">
<div class="eyebrow">这份榜单该怎么读</div>
<p>把时间轴拉长看，这份成绩单与近期的两条线正好接上：信通院在年度趋势里把「世界模型从生成视频改行做规划」列进关键词，Kyutai 则把「记忆」塞进动作模型、把考题换成时延——行业正在从「能不能生成」转向「能不能当策略底座用」。</p>
<div class="keypoint">判断：Thinker-WM 的榜单名次本身会很快被刷新，真正有复利的是两件事——把深度当原生模态、把多本体统一到一套位姿表示。这两件事决定的不是分数，而是下一代模型迭代时，数据能否复用、跨机型成本是否一次性。同时要留一个心眼：三项基准均为厂商主动参评，MotionProbe 与 +15 个百分点属自述实验，尚无独立第三方复现，读榜时应把「厂商口径」与「公认结论」分开记。</div>
<div class="srcline">来源：新浪科技 2026-10-16 15:32 通稿、量子位 2026-10-16 技术拆解；优必选官方发布口径。</div>
</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/ubtech-thinker-wm-unified-representation-three-benchmarks/*