盖世汽车获悉 日前，优必选自研的统一多模态世界模型 Thinker-WM 在三大具身世界模型基准评测中均取得第一名。在 WorldOlympiad 基准中，该模型综合得分 0.740，3D 一致性与交互保真度两项单项指标位居全部参评模型首位。在 EWMBench 评测中，其综合总分达到 4.66，在机器人运动核心指标上实现领先。

在 WorldArena1.0 Track-1 仿真环境基准中，Thinker-WM 在视觉画质、内容一致性、物理合理性、3D 几何精度及指令遵循等 12 项关键评价维度整体领先。该模型以统一动态 Transformer 为核心架构，将 RGB 图像、度量深度和机器人动作编码至同一中间表征空间进行联合时序建模。

图片来源：优必选

这种多模态统一表征方式使视觉、几何与动作在共享潜在空间内实现深度耦合，而非在模态接口上做浅层拼接。依托该架构，模型可通过灵活切换条件模态与生成模态，实现视频与动作联合生成、世界预测、策略推理、视频转动作及逆动力学等六大能力模式。

统一表征能力的背后是约 3 万小时异构训练数据的支撑，涵盖约 2 万小时第一人称人类视频、约 1 万小时真实机器人数据以及约 1 千小时仿真数据。在 RoboTwin 单任务消融实验中，引入深度模态后，机器人的操作成功率较无深度基线提升了 15 个百分点。

轻量级 Motion Probe 实验进一步证实，即使在无动作监督的情况下，模型的视觉表征中也已编码了与动作相关的运动信息。目前，Thinker-WM 已完成在优必选机器人平台上的部署验证。优必选计划将模型技术报告与后续迭代版本在开发者社区持续更新，并将公布世界模型二次开发能力开放计划。