优必选开源具身智能大模型Thinker：4B参数9项基准全球第一，工业场景准确率99.99%

💡 站外导读：在机器人技术从实验室走向规模化落地的关键阶段，一个核心矛盾日益凸显：机器人如何才能真正‘看懂’并‘做对’？传统自动化设备柔性不足，难以应对复杂多变的非结构化环境，而通用AI大模型又往往‘眼高手低’，缺乏对物理世界的精细理解和任务执行能力。具身智能，作为连接AI‘大脑’与机器人‘身体’的桥梁，正成为破局的关键。

Thinker是什么

Thinker是优必选开源的具身智能视觉语言大模型，专为机器人场景打造。模型4B参数在9项权威基准测试中斩获全球第一。模型核心能力涵盖任务规划、空间理解、时间推理和视觉定位，能有效解决机器人”想得到但抓不准”的困境。模型基于20亿原始数据精炼出的1000万高质量数据训练，采用自动化标注体系将人工参与率控制在1%以下。模型已支撑Walker S2在工业场景实现99.99%作业准确率，推动具身智能技术普惠发展。

Thinker的主要功能

• 任务规划：Thinker能理解复杂的人类指令，结合历史状态记忆，预测机器人未来的状态变化，将长程任务分解为可执行的子任务序列。
• 空间理解：Thinker建立了自我为中心的坐标系统，将摄像头作为原点定义所有空间关系，使机器人能精准感知物体在三维空间中的位置和方位。
• 时间理解：Thinker能从视频历史中提取关键信息，将过去的事件与当前指令相结合，准确评估当前状态做出合理的时序决策。
• 视觉定位：Thinker能用边界框和精确点坐标的形式描述物体位置，为机器人的抓取操作和交互提供精准的空间指引。

Thinker的技术原理

• 数据构建：Thinker构建了从原始数据到高质量训练数据的完整流水线。面对20亿条含噪声、难对齐的原始数据，通过定制化规则进行广度筛选，用大模型进行多维度质量评分，精炼出1000万条高质量数据。同时采用”大模型辅助标注加多模型交叉验证”的自动化标注体系，将人工参与率控制在1%以下，使标注成本降低99%而效率提升超百倍。
• 模型架构设计：Thinker采用经典的视觉语言模型架构，包含文本分词器、视觉编码器、多层感知机对齐层和语言模型骨干四个核心模块。实现视觉、语言和时间的统一表征，使模型能准确捕捉视觉细节、理解任务指令并进行跨模态推理。
• 训练策略：Thinker采用两阶段训练方法。第一阶段在通用数据集、空间理解数据集和大规模规划数据集上进行微调，建立基础感知和推理能力，同时引入视频最后一帧作为辅助输入以增强视频理解。第二阶段在工业任务数据集上进行监督微调，使模型适应序列依赖、多样物体布局和反馈修正，最终生成可在真实工业场景中执行的规划方案。
• 关键创新：Thinker针对机器人视角混淆和视频信息遗漏的痛点，提出在视频理解训练中联合输入关键帧与完整视频的简单有效方法，显著增强模型的时序理解能力。同时通过高质量数据筛选和任务导向型采样，在仅4B参数规模下实现超越10B以上模型的性能表现。

Thinker的项目地址

• GitHub仓库：https://github.com/UBTECH-Robot/Thinker
• HuggingFace模型库：https://huggingface.co/UBTECH-Robotics/Thinker-4B
• arXiv技术论文：https://arxiv.org/pdf/2601.21199

Thinker的应用场景

• 工业智能制造：Thinker可驱动人形机器人在工厂产线完成箱体搬运、工件分拣等任务，Walker S2已实现99.99%的作业准确率，有效解决传统自动化设备柔性不足的问题。
• 仓储物流作业：Thinker支持机器人在动态仓库环境中进行货物识别、路径规划和精准抓取，适应SKU多样化和高频变化的物流需求。
• 商用服务场景：Thinker赋能机器人在商场、展厅等公共场所提供引导、讲解和互动服务，通过视觉语言理解实现自然的人机交互。
• 复杂操作任务：Thinker使机器人能执行需要长程规划和精细空间感知的操作，如设备巡检、零部件装配和多步骤实验流程。
• 群体智能协作：Thinker作为认知基座支撑优必选的群脑网络和协作智能体Co-Agent，实现多机器人之间的任务分配、协同决策和自主进化。