上证报中国证券网讯10月16日，记者从优必选微信公众号获悉，优必选Thinker-WM于近日在WorldOlympiad、EWMBench、WorldArena Track?1这三大具身世界模型基准评测中全部拿下第一名。

据悉，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。

优必选表示，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。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。

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。

优必选表示，具身智能的世界模型不应该是“视频生成器 + 策略头”的简单组合，而是一套完整统一的生成过程——视觉观测、空间结构、动作规划，是同一个物理世界过程的不同表达。当机器人能够在同一表征空间内同步推演画面变化、空间结构、动作轨迹，它对物理世界因果逻辑的理解便向前迈进一大步。这也是机器人从“可以执行任务干活”，迈向“能够理解真实世界”的关键跃迁。据悉，Thinker-WM现已完成在优必选机器人平台上部署验证，相关技术将持续赋能下一代具身智能系统。