UBTECH Thinker Team / 独立收录记录

Thinker-WM

Thinker-WM 将视觉、深度和动作经各自编码器映射到共享动态 Transformer,再由各自解码器恢复输出。

视频与传感模拟最近一次技术来源阅读于 2026-10-201 份原始材料
技术资料

能做什么,使用时要注意什么

来源与原文 ↓

输入与结果

提供什么
按模式提供视觉观测、任务条件或给定动作;A2V 使用干净动作条件。A2V 指以给定动作预测视觉结果;干净条件指动作保持给定值,不参与去噪生成。
得到什么
按模式生成 RGB、米制深度或机器人动作,可联合生成。RGB 是彩色画面;米制深度以米表示物体与相机的距离。
动作的作用
预测以动作为条件。

分类与用途

控制方式
文本 / 事件指令 · 机器人动作
应用领域
机器人

限定 2026-10-14 论文 v2。WAM 联合生成、WM 省略动作分支、VLA 当前观测策略、A2V 动作到视觉、V2A 视频到动作分别说明。

查看分类依据 ↓
资料尚未确认
开放方式开源情况适用限制需要区分的对象已收录材料不足以判断,未确认不代表没有相应能力。
参考材料

来源与原文

按原始材料集中查阅;相同原句合并展示,对应资料与阅读日期一并保留。

Thinker-WM · 项目原始材料

arxiv.org

核对原文摘录 · 3 段,支持 5 项资料
原阅读方向 / 一句话认识 / 输出什么

阅读于 2026-10-20

jointly models and generates RGB, metric depth, and robot action through a shared intermediate Unified Dynamics Transformer with modality-specific encoders and decoders.
输入什么

阅读于 2026-10-20

RGB, depth, and action are modeled within the same UDT, while a modality can either be generated from noise, provided as a clean condition, or omitted from the computation.
动作是否影响预测

阅读于 2026-10-20

clean action injected, prompt dropped

背景资料阅读于 2026-10-20

分类依据

类型、控制方式与应用领域是本站根据所引材料归纳的检索标签。它们可以重叠,不表示能力验证;未知不表示不支持。

本站整理来源中的声明,不核查厂商声明真伪,不评价模型优劣。了解收录方式 →