Thinker：优必选开源具身智能视觉语言大模型 专为机器人场景打造

Thinker是优必选开源的具身智能视觉语言大模型，专为机器人实际应用场景打造，仅4B参数即在9项权威基准测试中斩获全球第一。模型聚焦机器人核心需求，打造任务规划、空间理解、时间推理、视觉定位四大核心能力，精准解决机器人“想得到但抓不准”的行业痛点。模型基于20亿原始数据精炼的1000万高质量数据训练，依托自动化标注体系将人工参与率控制在1%以下，兼顾训练效率与数据质量；目前已成功支撑Walker S2在工业场景实现99.99%作业准确率，持续推动具身智能技术的普惠化落地与规模化应用。

Thinker功能亮点：

1、智能任务规划：

精准理解复杂人类指令，结合历史状态记忆能力预测机器人未来状态变化，可将长程复杂任务自动分解为可执行的子任务序列，为机器人提供清晰的执行逻辑。

2、精准空间理解：

构建以自我为中心的坐标系统，将机器人摄像头作为原点定义所有空间关系，让机器人能精准感知并判断物体在三维空间中的具体位置与方位，夯实物理交互基础。

3、深度时间推理：

可从视频历史中提取关键时序信息，将过往事件与当前指令深度结合，准确评估机器人当前运行状态，做出合理的时序决策，适配动态场景下的任务执行。

4、高精度视觉定位：

以边界框+精确点坐标的双重形式，精准描述目标物体的空间位置，为机器人的抓取、移动、交互等操作提供精细化空间指引，提升动作执行的准确性。

Thinker技术原理：

1、高质量低人工数据构建流水线：

针对20亿条含噪声、难对齐的原始数据，先通过定制化规则完成广度筛选，再用大模型进行多维度质量评分，最终精炼出1000万条高质量训练数据；同时采用“大模型辅助标注+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，实现标注成本降低99%、效率提升超百倍。

2、跨模态统一表征架构：

采用经典视觉语言模型架构，由文本分词器、视觉编码器、多层感知机对齐层、语言模型骨干四大核心模块组成，实现视觉、语言、时间信息的统一表征，让模型能精准捕捉视觉细节、深度理解自然语言任务指令，并完成高效跨模态推理。

3、场景化两阶段训练策略：

第一阶段在通用数据集、空间理解数据集、大规模规划数据集上微调，搭建模型基础感知与推理能力，同时引入视频最后一帧作为辅助输入，强化模型视频理解能力；第二阶段针对工业实际任务数据集开展监督微调，让模型适配序列依赖、多样物体布局、反馈修正等真实场景需求，生成可直接落地的执行规划方案。

4、针对性技术创新：

针对机器人视角混淆、视频信息遗漏的行业痛点，提出关键帧+完整视频联合输入的视频理解训练方法，显著增强模型时序理解能力；同时通过高质量数据筛选与任务导向型采样策略，实现4B轻量参数规模下，性能超越10B以上同类型模型。

Thinker应用场景：

1、工业智能制造：

驱动人形机器人在工厂产线完成箱体搬运、工件分拣、设备辅助操作等任务，如支撑Walker S2实现99.99%作业准确率，有效解决传统自动化设备柔性不足、适配性差的问题，提升产线智能化水平。

2、仓储物流作业：

支持机器人在动态仓储环境中完成货物精准识别、最优路径规划、货物精准抓取与摆放，可灵活适配SKU多样化、库位高频变化的物流场景需求，提升仓储作业效率。

3、商用服务场景：

赋能服务机器人在商场、展厅、写字楼、政务大厅等公共场所，提供智能引导、展品讲解、咨询应答等服务，通过精准的视觉语言理解实现自然流畅的人机交互，提升服务体验。

4、复杂精细操作任务：

让机器人可执行需要长程任务规划与精细空间感知的复杂操作，如工业设备巡检、精密零部件装配、实验室多步骤实验流程执行等，替代人工完成高重复、高精细度或高危操作。

5、群体智能协作：

作为核心认知基座，支撑优必选群脑网络与协作智能体Co-Agent搭建，实现多机器人之间的智能任务分配、协同决策、动作配合与自主进化，适配大规模集群作业场景。

进入Thinker官网入口