過(guò)去一年，以人形機(jī)器人為代表的具身智能在實(shí)驗(yàn)室中的“場(chǎng)景理解”與“任務(wù)規(guī)劃”上進(jìn)展顯著，但面對(duì)真實(shí)的工業(yè)產(chǎn)線任務(wù)時(shí)，往往面臨“想得到但抓不準(zhǔn)、算得出但跟不上”的困境。這背后，是長(zhǎng)期橫亙?cè)趯?shí)驗(yàn)室環(huán)境與真實(shí)應(yīng)用場(chǎng)景之間的鴻溝：人形機(jī)器人在空間層面的度量失準(zhǔn)與時(shí)間層面的響應(yīng)遲滯。

基于百億參數(shù)底座模型，優(yōu)必選對(duì)其具身智能大模型Thinker進(jìn)行了架構(gòu)升級(jí)。本次升級(jí)聚焦“小參數(shù)、高性能、全開(kāi)源”，旨在打造一個(gè)能為工業(yè)人形機(jī)器人提供快速反應(yīng)與精準(zhǔn)空間感知的下一代具身智能大腦，以應(yīng)對(duì)動(dòng)態(tài)工業(yè)場(chǎng)景的挑戰(zhàn)。Thinker將作為智能基座，為優(yōu)必選的群腦網(wǎng)絡(luò)和協(xié)作智能體Co-Agent提供認(rèn)知與決策支持，進(jìn)而驅(qū)動(dòng)單機(jī)自主與群體智能的協(xié)同進(jìn)化。

Thinker 實(shí)現(xiàn)了 “小體積大能量” 的關(guān)鍵性能突破，優(yōu)必選此次將其開(kāi)源，讓廣大開(kāi)發(fā)者可基于該基座探索人形機(jī)器人大腦的應(yīng)用，一同加快具身智能技術(shù)的迭代節(jié)奏，攜手共建人形機(jī)器人的全新未來(lái)。

小參數(shù)+高性能+全開(kāi)源

狂攬9項(xiàng)基準(zhǔn)全球第一

當(dāng)前，機(jī)器人領(lǐng)域大模型表現(xiàn)欠佳，尤其在空間理解、視覺(jué)感知等關(guān)鍵任務(wù)上精度不足；且模型參數(shù)量普遍較大，難以滿足機(jī)器人對(duì)實(shí)時(shí)性的高要求；其次，互聯(lián)網(wǎng)上雖有海量數(shù)據(jù)，但質(zhì)量參差不齊，制約了模型通過(guò)Data  Scaling 實(shí)現(xiàn)性能有效提升。

優(yōu)必選具身智能大模型Thinker以“小參數(shù)、高性能、全開(kāi)源”突破具身大腦領(lǐng)域限制。近日，在涵蓋10B以下具身智能大腦模型的權(quán)威基準(zhǔn)評(píng)測(cè)中，Thinker一舉拿下9項(xiàng)第一，重新定義了該領(lǐng)域的性能標(biāo)桿。這些基準(zhǔn)全面評(píng)估了具身智能的兩大核心能力：一是機(jī)器人第一視角下的場(chǎng)景認(rèn)知與任務(wù)規(guī)劃能力，二是支撐物理交互的精準(zhǔn)感知與空間理解能力。

該權(quán)威榜單囊括了英偉達(dá)、字節(jié)跳動(dòng)、北京智源及北京人形等頂尖團(tuán)隊(duì)近期發(fā)布的代表性模型，集中體現(xiàn)了具身智能行業(yè)的前沿水平。

優(yōu)必選具身智能大模型Thinker

在9項(xiàng)權(quán)威基準(zhǔn)評(píng)測(cè)中排名全球第一

（數(shù)據(jù)更新至01/30/2026，結(jié)果基于flageval, evalscope框架評(píng)測(cè)）

從海量數(shù)據(jù)到高質(zhì)量“大腦”

Thinker的數(shù)據(jù)轉(zhuǎn)化之道

具身智能的核心競(jìng)爭(zhēng)力根植于高質(zhì)量數(shù)據(jù)的支撐，但行業(yè)普遍面臨原始數(shù)據(jù)噪聲大、多模態(tài)對(duì)齊困難、標(biāo)注成本高、小樣本泛化難等痛點(diǎn)。優(yōu)必選以數(shù)據(jù)為核心，構(gòu)建了覆蓋"精煉提純 - 自動(dòng)化標(biāo)注 - 數(shù)據(jù)驅(qū)動(dòng)訓(xùn)練” 的全鏈路解決方案，通過(guò)極致的技術(shù)優(yōu)化破解行業(yè)難題，為輕量化具身大模型的高性能表現(xiàn)筑牢數(shù)據(jù)基座。

優(yōu)必選具身智能大模型Thinker技術(shù)架構(gòu)圖

從20B 到 10M

多模態(tài)數(shù)據(jù)的 “精煉提純” 流水線

面對(duì)高達(dá)20B、含噪聲、難對(duì)齊、模態(tài)缺失的原始數(shù)據(jù)，優(yōu)必選構(gòu)建了全流程自動(dòng)化“精煉提純”流水線。通過(guò)“數(shù)據(jù)篩選”與“質(zhì)量評(píng)分”兩步，實(shí)現(xiàn)從20B到10M級(jí)別高質(zhì)量數(shù)據(jù)的極致提純。

廣度篩選：基于定制化規(guī)則，從視覺(jué)、語(yǔ)言、動(dòng)作、環(huán)境等多模態(tài)數(shù)據(jù)中，快速過(guò)濾出約1%的候選數(shù)據(jù)池。

深度評(píng)分：引入大模型構(gòu)建多維度評(píng)分模塊，從質(zhì)量、任務(wù)、場(chǎng)景等多維度進(jìn)行精細(xì)評(píng)價(jià)，最終篩選最高價(jià)值的訓(xùn)練數(shù)據(jù)。

自動(dòng)化標(biāo)注閉環(huán)

人工參與率＜1% 的高效方案

針對(duì)具身數(shù)據(jù)標(biāo)注難度大、成本高的行業(yè)痛點(diǎn)，優(yōu)必選搭建了 “弱監(jiān)督 + 自監(jiān)督 + 少量人工校驗(yàn)” 的自動(dòng)化標(biāo)注體系：

核心技術(shù)：采用 “大模型輔助標(biāo)注 + 多模型交叉驗(yàn)證” 策略，對(duì)視覺(jué)場(chǎng)景分割、動(dòng)作序列分類、指令意圖解析等任務(wù)實(shí)現(xiàn)端到端自動(dòng)化標(biāo)注；

人工校驗(yàn)機(jī)制：僅對(duì)標(biāo)注置信度低于閾值的樣本進(jìn)行人工復(fù)核，最終將人工參與率控制在1%以下，較傳統(tǒng)全人工標(biāo)注方案成本降低 99%，標(biāo)注效率提升超百倍；

動(dòng)態(tài)迭代優(yōu)化：將模型訓(xùn)練后的誤差反饋至標(biāo)注流水線，持續(xù)優(yōu)化標(biāo)注算法參數(shù)，形成 “標(biāo)注 - 訓(xùn)練 - 反饋 - 迭代” 的閉環(huán)，標(biāo)注準(zhǔn)確率隨迭代逐步提升。

Data-centric 核心優(yōu)勢(shì)

小樣本撬動(dòng)強(qiáng)泛化能力

具身智能的核心需求是 “在復(fù)雜真實(shí)場(chǎng)景中精準(zhǔn)交互”，而數(shù)據(jù)質(zhì)量直接決定模型的環(huán)境適配與任務(wù)遷移能力。優(yōu)必選的訓(xùn)練范式以下三個(gè)核心維度系統(tǒng)保障模型的泛化與遷移能力：

樣本多樣性覆蓋：基于精煉的10M高質(zhì)量數(shù)據(jù)，全面覆蓋具身智能四大核心任務(wù)類型：任務(wù)規(guī)劃, 視覺(jué)定位，空間理解，通用知識(shí)；

任務(wù)導(dǎo)向型采樣：針對(duì)具身智能 “感知 - 決策 - 執(zhí)行” 閉環(huán)中的關(guān)鍵環(huán)節(jié)（如精細(xì)操作、模糊指令理解、突發(fā)場(chǎng)景應(yīng)對(duì)），進(jìn)行樣本動(dòng)態(tài)采樣，提升模型核心能力；

L4級(jí)標(biāo)注標(biāo)準(zhǔn): 通過(guò)設(shè)計(jì)精細(xì)的4級(jí)數(shù)據(jù)標(biāo)簽，從任務(wù)-功能-分類-模態(tài)4個(gè)維度進(jìn)行精確劃分，實(shí)現(xiàn)對(duì)訓(xùn)練數(shù)據(jù)配比的精準(zhǔn)把控。

Thinker訓(xùn)練數(shù)據(jù)類型分布

轉(zhuǎn)動(dòng)數(shù)據(jù)飛輪

驅(qū)動(dòng)模型持續(xù)進(jìn)化

依托具身智能大模型Thinker的技術(shù)積淀，優(yōu)必選創(chuàng)新性打通數(shù)據(jù)回流機(jī)制，通過(guò)在工廠搬運(yùn)、工件分揀等真實(shí)場(chǎng)景中的深度部署，確保技術(shù)優(yōu)勢(shì)轉(zhuǎn)化為落地優(yōu)勢(shì)，并反哺模型持續(xù)進(jìn)化。包含:

基礎(chǔ)能力深度解析

詳細(xì)拆解模型多模態(tài)理解、空間推理、任務(wù)規(guī)劃等核心能力，明確不同具身場(chǎng)景下的能力邊界與適配閾值，為下游應(yīng)用提供精準(zhǔn)的技術(shù)參考。

精準(zhǔn)問(wèn)題定位指南

提供場(chǎng)景化問(wèn)題診斷方法論，針對(duì)落地中常見(jiàn)的指令理解偏差、操作精度不足等問(wèn)題，給出可直接套用的排查流程與解決方案。

實(shí)操優(yōu)化全流程指導(dǎo)

涵蓋Prompt工程精細(xì)化優(yōu)化技巧，以及SFT微調(diào)階段的數(shù)據(jù)構(gòu)造規(guī)范、不同任務(wù)類型樣本比例配比建議，助力快速完成場(chǎng)景適配。

雙向數(shù)據(jù)回流機(jī)制

回收下游場(chǎng)景中的全新數(shù)據(jù)、新興任務(wù)需求及交互反饋，將其轉(zhuǎn)化為模型可學(xué)習(xí)的訓(xùn)練資源，反向注入Thinker迭代過(guò)程，持續(xù)擴(kuò)展模型基礎(chǔ)能力與泛化性。以工廠搬運(yùn)為例，系統(tǒng)持續(xù)收集實(shí)際作業(yè)中的長(zhǎng)尾案例數(shù)據(jù)，如料箱識(shí)別失敗、抓取軌跡動(dòng)態(tài)調(diào)整等。這些真實(shí)場(chǎng)景數(shù)據(jù)直接反哺 Thinker 模型的訓(xùn)練，推動(dòng)其自主進(jìn)化，不斷增強(qiáng)基礎(chǔ)性能與場(chǎng)景適應(yīng)能力。最終基于Thinker大模型，Walker S2可在箱體搬運(yùn)、工件分揀等下游應(yīng)用場(chǎng)景中實(shí)現(xiàn) 99.99% 的作業(yè)準(zhǔn)確率。

具身智能大模型Thinker的應(yīng)用閉環(huán)

當(dāng)前，具身智能正加速滲透工業(yè)智造、商用服務(wù)等千行百業(yè)，但技術(shù)門檻與成本限制成為行業(yè)普及的關(guān)鍵瓶頸。優(yōu)必選堅(jiān)持開(kāi)源共享理念，將模型權(quán)重、訓(xùn)練工具鏈與應(yīng)用案例全量開(kāi)放，希望與更多開(kāi)發(fā)者和企業(yè)共同擁抱具身智能的浪潮。