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

在仿真环境基准 WorldArena Track‑1，Thinker‑WM 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 项关键评价维度整体领先，兼顾仿真环境下视觉生成质量与物理交互可信度。Thinker‑WM 以表征层统一的 Unified Dynamic Transformer（UDT）为核心，将 RGB 图像、度量深度、机器人动作纳入同一套共享动态表征联合演化，实现视频‑动作联合生成、世界预测、策略推理、视频转动作、逆动力学等多项能力合一，为具身智能提供新一代基础世界模型底座。

让机器人在真实世界落地干活，最难的不是识别眼前物体，而是预判环境下一步变化。这也是世界模型存在的价值与意义，而过往世界模型普遍采用 “拼接式” 方案：视频生成负责画面、策略网络负责动作、几何预测负责空间信息，模块独立计算，再通过接口拼接输出。

但这套技术模型的问题在于，动作改变环境、环境约束动作，几何结构同时影响两者，物理上紧密耦合的信号被拆分到不同模块，丢失其内在因果关联。

举个例子，“一个杯子被推下桌子”这件事情，在语言里是一句话描述，在动作里是一串关节命令，在视频里是一段穿越画面的物体运动，在深度里是一组连续变化的距离场。四种表述指向的是同一个事件，而不是四个不同的对象。所以，要求模型生成其中任何一种，本质上都是在追问同一个过程。

但这种重叠又是不完全的。动作既不携带外观，也不携带上下文，同样的关节命令，放在空桌子上和放在杂乱的桌子上，含义完全不同。语言也不携带时空细节，“杯子被推下桌子”这句话，既没有规定从哪一侧推、用多大力、以什么速度推，也没有规定手的具体轨迹、杯子翻转几圈、最终落在哪里。视频不携带显式几何和度量，其仅使用一系列像素表示，既不知道杯子的尺寸，也不知道杯子的距离。深度也不携带外观、命名语义和意图，它给出表面在哪里、如何遮挡、如何接触，却不告诉你那是杯子还是桌布，更不告诉你为什么要推它。

针对这个问题，优必选 Thinker 团队给出全新解法：不在接口处做简单合并，而是在表征层面实现多模态统一。Thinker-WM（Thinker World Model）作为优必选自研统一多模态世界模型，将 RGB 视频、深度和机器人动作编码至同一个中间表征空间，依靠一组共享参数联合演化。外观、几何、动作不再是三条独立流水线，而是同一个世界演化过程的三种表达形态。也就是说，Thinker-WM 的底层设计逻辑可以概括为：不同模态是同一过程的不同表述；模型将它们对齐到共享表征空间，并在这一共享表征上进行推理，而不是在模态接口上做条件组合。