Thinker Team 发布统一多模态具身世界模型 Thinker-WM

Thinker Team 发布 arXiv 论文，提出统一多模态具身世界模型 Thinker-WM：通过共享的 Unified Dynamics Transformer 联合建模并生成 RGB、度量深度和机器人动作，模态各用专用编码器与解码器，保留各自的输出结构。 训练数据为异构语料，约含 2 万小时自我中心视频、1 万小时真机数据与 1 千小时仿真数据，其中约 4 千小时真机数据带对齐的深度监督。论文称 Thinker-WM 在 EWMBench、WorldOlympiad 和 WorldArena 三个基准上排名第一，消融实验显示动作条件、几何交互与共享表征下的多功能训练带来收益。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。