📖 AI 总结

优必选 Thinker-WM 是一款统一多模态具身世界模型，在 WorldOlympiad、EWMBench 和 WorldArena1.0 Track-1 三大基准评测中均获第一。其核心突破在于放弃传统“拼接式”方案，将 RGB 视频、深度与机器人动作编码至同一共享表征空间，由统一动态 Transformer 联合演化，使视觉、几何与动作成为同一世界过程的不同表达。深度作为原生生成模态参与表征塑造，RoboTwin 实验显示引入深度后操作成功率提升 15 个百分点。依托约 3 万小时异构数据训练，单一模型权重可支持视频与动作联合生成、世界预测、策略推理、视频转动作、逆动力学等六类能力，为具身智能提供了新的基础模型底座。