UBTECH представила Thinker-WM — единую модель мира для видео, глубины и действий роботов

UBTECH опубликовала детали Thinker-WM — модели мира, кодирующей RGB-видео, метрическую глубину и действия робота в общем латентном пространстве. Компания заявляет первое место на трёх бенчмарках embodied-моделей: 0,740 на WorldOlympiad, 4,66 на EWMBench и лидерство по 12 метрикам WorldArena 1.0. Обучение шло на ~30 000 часов данных, включая 20 000 часов человеческого видео и 10 000 часов реальной робототехники.

• 0,740 на WorldOlympiad, 4,66 на EWMBench — выше Qwen-RobotWorld и Sora 2
• Добавление глубины подняло успех манипуляций на 15 п.п. в тестах RoboTwin
• Обучение на ~30 000 часов: 20 000 человеческого видео, 10 000 роботов, 1000 симуляции
• Одна модель в шести режимах: генерация видео, предсказание, политика, inverse dynamics