优必选霸榜三大基准,世界模型告别拼接式路线

24小时AI快讯1个月前发布 changgong
1.8K 00

优必选霸榜三大基准,世界模型告别拼接式路线

机器人想在真实世界里干活,看清眼前的物体只是第一关,真正难的是判断环境接下来会怎么变。传统做法把这件事拆给好几个模块各自处理,优必选最近给出了另一条路,并在三项行业基准上同时拿到第一。

一、世界模型的旧路子,卡在哪里

预判环境变化,靠的是世界模型。它相当于给机器人装一个能「想象」的脑子,先在内部把动作的结果推演一遍。

过去这类模型普遍采用「拼接式」组合: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,每个模块独立计算,算完再通过接口把结果凑到一起。

麻烦出在这个「凑」字上。动作会改变环境,环境又反过来约束动作,几何结构同时影响这两者。物理上紧耦合的信号被硬拆进不同模块,内在的因果关联就丢了。

二、Thinker-WM 凭什么霸榜三大基准

优必选 Thinker-WM 最近在三个公认的具身世界模型基准上全部拿到第一。

WorldOlympiad 基于大量真实机器人交互数据构建,涉及十余种机器人本体和多类相机配置,考的是跨形态、跨视角的泛化。Thinker-WM 综合得分 0.740 排在第一,3D 一致性 0.531、交互保真度 0.765,两项单项指标都是参评模型里最高的。

EWMBench 看的是场景一致性、末端运动正确性、指令语义对齐。Thinker-WM 总分 4.66,超过 Qwen-RobotWorld、Sora2 等模型,在反映轨迹时空匹配的 nDTW、反映加速度是否合理的 Dyn 上同样领先。

仿真环境的 WorldArena1.0 Track-1 里,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 项维度,也呈现类似结果。三项基准、多个维度同时领先,这正是本次刷屏的分量所在。

三、统一表征:改变发生在 Transformer 内部

Thinker-WM 的做法,是把「拼接」这一步整个拿掉。

先看一个例子。「一个杯子被推下桌子」,在语言里是一句话,在动作里是一串关节命令,在视频里是一段物体穿过画面的运动,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。

但这四种表述又各自不完整。动作不带外观,同样的关节命令,放在空桌子和杂乱桌子上含义完全不同。语言不带时空细节,没说从哪一侧推、用多大力、杯子翻转几圈。视频只有像素,不知道杯子的尺寸和距离。深度给出表面在哪、怎么遮挡,却说不出那是杯子还是桌布。

把不完整的视角拼在一起,很难拼出完整的世界。Thinker-WM 选择在表征层面做统一:RGB 图像、深度、机器人动作分别通过编码器映射到同一个潜在空间,再送进共享的统一动态 Transformer(UDT)做联合时序建模,最后由各自的解码器还原出视频、深度图和可执行动作。

模态之间的交互由此发生在 Transformer 内部。视觉 token、几何 token、动作 token 通过同一个注意力机制直接交换信息,浅层拼接被绕开。外观、几何、动作,成了同一个世界演化过程的三种表达形态。

四、深度为什么该成为世界模型的母语

这套框架里还有一个选择值得说:深度被当作原生生成模态,而非辅助监督信号。

深度与视频共享一致的潜在拓扑和时空组织,深度监督直接塑造那套共享表征,物理空间结构由此成为世界模型的「母语」,它不再是后期外挂的补充模块。

效果能不能落到执行上?在 RoboTwin 单任务消融实验里,引入深度模态后,操作成功率比无深度基线提升了 15 个百分点。空间几何信息既帮模型理解场景,也直接改善了动作生成。

五、Motion Probe 怎么证明这不是拼凑

统一表征是一个架构层面的说法,但有一个绕不开的疑问:模型是在共享空间里真的学到了三种模态之间的耦合,还是只是把几路信息并排放在一起处理?

优必选团队用一个轻量实验来回答。他们把 UDT 的视觉表征冻结,后面接一个极小的运动预测头,只训练这个头,看能不能单纯从视觉表征里恢复出末端执行器的位移。

结果是探针预测误差很低。即便没有任何动作监督,视觉表征中已经编码了与动作相关的运动信息。视觉感知和动作规划之间的耦合真实存在,它发生在共享的潜在空间里,两条链路并没有彼此独立。

六、三万小时数据撑起的底座

统一表征要成立,背后靠的是规模和多样性都够的训练语料,Thinker-WM 用到的数据大约三万小时。

其中约 2 万小时是第一人称人类视频,覆盖家庭、商业零售、工业等场景,补足遥操作数据在任务、物体、场景多样性上的短板,另配约 1 千小时对齐深度数据。约 1 万小时来自多款不同形态的真实机器人,提供视觉观测与可执行动作的配对监督,含约 3 千小时对齐深度标注。另有约 1 千小时仿真数据,提供高精度几何与物理信号。

不同机器人的动作空间、坐标系、控制协议差异很大。Thinker-WM 统一用末端位姿表示所有机器人动作,并为不同本体在 token 里嵌入专属标签,让不同形态的机器人共享同一个生成空间,又保留各自的本体控制能力。团队还搭了一套 Data Factory,把数据管理和训练采样解耦,让多源数据按需组合。

同一份权重,通过切换条件模态和生成模态,可以支持视频动作联合生成、世界预测、策略推理、视频转动作、逆动力学等多种能力。一个模型,六种能力,这个组合正是统一表征带来的直接结果。

七、这套逻辑真正改变的是什么

这次刷榜的价值不止于几个第一。它指向具身世界模型的一条新思路:世界模型要做的,并非把「视频生成器」和「策略头」凑成一套组合,它本身就该是一套完整的生成过程,视觉观测、空间结构、动作规划,属于同一个物理世界过程的不同表达。

当机器人能在同一个表征空间里同步推演画面变化、空间结构和动作轨迹,它对物理世界因果逻辑的理解就往前挪了一大步。从「能执行任务干活」,到「能理解真实世界」,这一步的距离,就落在这里。

Thinker-WM 目前已经在优必选机器人平台上完成部署验证,技术报告和后续迭代版本会放在开发者社区 Thinker Cosmos 持续更新。

© 版权声明

相关文章

暂无笔记

您必须登录才能记录笔记!
立即登录
none
暂无笔记...