UBTECH détaille Thinker-WM, un modèle du monde qui unifie vidéo, profondeur et actions du robot
UBTECH a publié les détails de Thinker-WM, un modèle du monde développé par son équipe Thinker, accompagné d'un article technique sur arXiv. Le modèle encode la vidéo RGB, la profondeur métrique et les actions du robot dans une représentation partagée unique. Chaque modalité passe par son propre encodeur vers un espace latent commun, puis un Unified Dynamics Transformer les traite conjointement avant de décoder vidéo, cartes de profondeur et actions exécutables. UBTECH affirme que Thinker-WM se classe premier sur trois benchmarks. Il obtient 0,740 au total sur WorldOlympiad (données d'interaction réelles, plus de dix morphologies de robots, plusieurs configurations de caméras), avec les meilleurs scores unitaires en cohérence 3D (0,531) et fidélité d'interaction (0,765). Sur EWMBench, il annonce 4,66, devant Qwen-RobotWorld et Sora 2. Sur WorldArena 1.0 Track-1, en simulation, il dirait mener sur 12 dimensions. L'entraînement porte sur environ 30 000 heures : 20 000 de vidéo humaine à la première personne (domiciles, commerce, usines), 10 000 de données robot réelles issues de plusieurs machines, et 1 000 de simulation. Toutes les actions sont exprimées en poses d'effecteur terminal, avec une étiquette propre à chaque morphologie, et un pipeline nommé Data Factory gère l'échantillonnage, les contrôles qualité et l'alignement profondeur-vidéo. L'intérêt tient à l'argument d'architecture. Beaucoup de modèles du monde sont assemblés par morceaux : un générateur vidéo pour les pixels, un réseau de politique pour les actions, un module séparé pour la géométrie. UBTECH soutient que ce découpage sépare des signaux physiquement couplés. Ici, la profondeur est une sortie native et non un signal auxiliaire : sur RoboTwin, en ablation mono-tâche, son ajout fait gagner 15 points de pourcentage de réussite en manipulation. Comme les poids sont partagés, il suffit de changer les entrées fournies et les sorties à générer pour obtenir six modes, dont la génération conjointe vidéo-action, la prédiction du futur, l'inférence de politique, la vidéo vers action et la dynamique inverse. Pour un intégrateur, un seul modèle pourrait donc servir de simulateur, de politique et d'outil d'analyse. Pour vérifier le couplage, l'équipe a entraîné une petite sonde de mouvement sur des features visuelles gelées afin de retrouver le déplacement de l'effecteur, présenté comme preuve de couplage intermodal. Le contexte appelle de la prudence. Les classements sont ceux d'UBTECH, établis sur les résultats disponibles à l'annonce, sans vérification indépendante, et l'avance sur des modèles génériques comme Sora 2 reflète aussi des benchmarks spécialisés robotique. Le gain de 15 points vient d'une seule ablation en simulation, pas d'un déploiement. Aucun robot, client ni calendrier de mise en production n'est annoncé : on est face à un résultat de recherche, pas à un produit livré. UBTECH, connu pour ses humanoïdes de la série Walker et sa récente collaboration avec FAW-Volkswagen en logistique d'usine, cherche à se positionner sur la couche d'IA incarnée face aux modèles du monde de ses concurrents. La prochaine étape à surveiller est WorldArena 2.0, prévu à l'IROS 2026, où ces affirmations pourront être confrontées à d'autres équipes.
