---
title: "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%"
url: "https://paooo.com/aigc-news/11523/"
author: "Prompt 语宙研究院"
published_at: "2026-06-11T17:42:22+08:00"
updated_at: "2026-06-07T20:06:33+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "优必选, 具身智能, 开源大模型, 机器人, 视觉语言大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 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%

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/11523/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-11

## AI 30 秒核心看点 (TL;DR)

- Thinker以4B参数在9项权威基准全球第一，证明小参数也能靠数据与架构取胜。
- 模型面向机器人场景强化任务规划、空间理解、时间推理和视觉定位，解决“看懂并做对”的难题。
- 已支撑Walker S2在工业场景实现99.99%作业准确率，具备真实落地价值。

> 
                **💡 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。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                Thinker的发布，标志着具身智能正从‘概念验证’迈入‘效能驱动’的新阶段。其核心价值在于，它没有盲目追求参数规模，而是通过极致的数据工程和架构创新，在4B的‘小身材’上实现了‘大智慧’。这预示着行业的一个重要趋势：大模型的竞争正从‘比大’转向‘比效’，在特定垂直领域，精炼的数据、明确的场景定义和高效的训练策略，可能比单纯堆叠参数更具商业和技术价值。优必选通过开源将这套经过工业场景严酷验证的方法论和模型共享出来，不仅加速了自身生态构建，更是在为整个具身智能赛道铺设一条更务实、更低成本的进化路径。未来，谁能率先在‘数据飞轮’和‘场景闭环’上建立起优势，谁就有可能定义下一代机器人的智能标准。

## 常见问题解答 (FAQ)

### Thinker是什么类型的模型？
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。它重点提升机器人对任务指令、空间关系、视频时序和目标位置的理解能力，用于真实环境中的规划与执行。

### Thinker为什么能在4B参数下表现突出？
核心原因是数据工程和训练策略优化：它从20亿原始数据中筛出1000万高质量数据，并采用自动化标注体系降低人工参与率，再结合两阶段训练和关键帧+视频联合输入，提升了时序与规划能力。

### Thinker适合哪些应用场景？
文章提到的场景包括工业智能制造、仓储物流、商用服务、复杂操作任务以及群体智能协作。其优势在于能支持长程规划、精准定位和多步骤执行，尤其适合机器人落地应用。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
