优必选Thinker-WM登顶三大具身世界模型基准，单模型实现六大能力

优必选Thinker-WM在三大公认具身世界模型基准评测中全部拿下第一名，刷新行业成绩。在基于大量真实机器人交互数据构建的基准中，Thinker-WM取得综合得分0.740位列榜首，该基准覆盖十余种不同机器人本体与多类相机配置，重点考核模型跨机器人形态、跨视角的泛化能力；模型取得3D一致性0.531、交互保真度0.765，两项单项指标位居全部参评模型首位。

在EWMBench基准中，Thinker-WM取得综合总分4.66，超过Qwen-RobotWorld、Sora2等主流模型。该基准完整考核场景一致性、机器人末端运动正确性、指令语义对齐三大能力维度。得益于表征层面的多模态联合建模，Thinker-WM在反映机器人轨迹时空匹配的nDTW、表征运动速度与加速度合理性的Dyn等机器人运动核心指标上实现领先。在仿真环境基准WorldArena Track-1中，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。

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。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，模块独立计算后再通过接口拼接输出。但动作改变环境、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，丢失了内在因果关联。

优必选Thinker团队给出的解法是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。其以表征层统一的Unified Dynamic Transformer（UDT）为核心，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。