過去一年，以人形機器人為代表的具身智能在實驗室中的“場景理解”與“任務規(guī)劃”上進展顯著，但面對真實的工業(yè)產線任務時，往往面臨“想得到但抓不準、算得出但跟不上”的困境。這背后，是長期橫亙在實驗室環(huán)境與真實應用場景之間的鴻溝：人形機器人在空間層面的度量失準與時間層面的響應遲滯。

基于百億參數(shù)底座模型，優(yōu)必選對其具身智能大模型Thinker進行了架構升級。本次升級聚焦“小參數(shù)、高性能、全開源”，旨在打造一個能為工業(yè)人形機器人提供快速反應與精準空間感知的下一代具身智能大腦，以應對動態(tài)工業(yè)場景的挑戰(zhàn)。Thinker將作為智能基座，為優(yōu)必選的群腦網絡和協(xié)作智能體Co-Agent提供認知與決策支持，進而驅動單機自主與群體智能的協(xié)同進化。

Thinker 實現(xiàn)了 “小體積大能量” 的關鍵性能突破，優(yōu)必選此次將其開源，讓廣大開發(fā)者可基于該基座探索人形機器人大腦的應用，一同加快具身智能技術的迭代節(jié)奏，攜手共建人形機器人的全新未來。

小參數(shù)+高性能+全開源

狂攬9項基準全球第一

當前，機器人領域大模型表現(xiàn)欠佳，尤其在空間理解、視覺感知等關鍵任務上精度不足；且模型參數(shù)量普遍較大，難以滿足機器人對實時性的高要求；其次，互聯(lián)網上雖有海量數(shù)據(jù)，但質量參差不齊，制約了模型通過Data  Scaling 實現(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、全開源”突破具身大腦領域限制。近日，在涵蓋10B以下具身智能大腦模型的權威基準評測中，Thinker一舉拿下9項第一，重新定義了該領域的性能標桿。這些基準全面評估了具身智能的兩大核心能力：一是機器人第一視角下的場景認知與任務規(guī)劃能力，二是支撐物理交互的精準感知與空間理解能力。

該權威榜單囊括了英偉達、字節(jié)跳動、北京智源及北京人形等頂尖團隊近期發(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項權威基準評測中排名全球第一

（數(shù)據(jù)更新至01/30/2026，結果基于flageval, evalscope框架評測）

從海量數(shù)據(jù)到高質量“大腦”

Thinker的數(shù)據(jù)轉化之道

具身智能的核心競爭力根植于高質量數(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)對齊困難、標注成本高、小樣本泛化難等痛點。優(yōu)必選以數(shù)據(jù)為核心，構建了覆蓋"精煉提純 - 自動化標注 - 數(shù)據(jù)驅動訓練” 的全鏈路解決方案，通過極致的技術優(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技術架構圖

從20B 到 10M

多模態(tài)數(shù)據(jù)的 “精煉提純” 流水線

面對高達20B、含噪聲、難對齊、模態(tài)缺失的原始數(shù)據(jù)，優(yōu)必選構建了全流程自動化“精煉提純”流水線。通過“數(shù)據(jù)篩選”與“質量評分”兩步，實現(xiàn)從20B到10M級別高質量數(shù)據(jù)的極致提純。

廣度篩選：基于定制化規(guī)則，從視覺、語言、動作、環(huán)境等多模態(tài)數(shù)據(jù)中，快速過濾出約1%的候選數(shù)據(jù)池。

深度評分：引入大模型構建多維度評分模塊，從質量、任務、場景等多維度進行精細評價，最終篩選最高價值的訓練數(shù)據(jù)。

自動化標注閉環(huán)

人工參與率＜1% 的高效方案

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

核心技術：采用 “大模型輔助標注 + 多模型交叉驗證” 策略，對視覺場景分割、動作序列分類、指令意圖解析等任務實現(xiàn)端到端自動化標注；

人工校驗機制：僅對標注置信度低于閾值的樣本進行人工復核，最終將人工參與率控制在1%以下，較傳統(tǒng)全人工標注方案成本降低 99%，標注效率提升超百倍；

動態(tài)迭代優(yōu)化：將模型訓練后的誤差反饋至標注流水線，持續(xù)優(yōu)化標注算法參數(shù)，形成 “標注 - 訓練 - 反饋 - 迭代” 的閉環(huán)，標注準確率隨迭代逐步提升。

Data-centric 核心優(yōu)勢

小樣本撬動強泛化能力

具身智能的核心需求是 “在復雜真實場景中精準交互”，而數(shù)據(jù)質量直接決定模型的環(huán)境適配與任務遷移能力。優(yōu)必選的訓練范式以下三個核心維度系統(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高質量數(shù)據(jù)，全面覆蓋具身智能四大核心任務類型：任務規(guī)劃, 視覺定位，空間理解，通用知識；

任務導向型采樣：針對具身智能 “感知 - 決策 - 執(zhí)行” 閉環(huán)中的關鍵環(huán)節(jié)（如精細操作、模糊指令理解、突發(fā)場景應對），進行樣本動態(tài)采樣，提升模型核心能力；

L4級標注標準: 通過設計精細的4級數(shù)據(jù)標簽，從任務-功能-分類-模態(tài)4個維度進行精確劃分，實現(xiàn)對訓練數(shù)據(jù)配比的精準把控。

Thinker訓練數(shù)據(jù)類型分布

轉動數(shù)據(jù)飛輪

驅動模型持續(xù)進化

依托具身智能大模型Thinker的技術積淀，優(yōu)必選創(chuàng)新性打通數(shù)據(jù)回流機制，通過在工廠搬運、工件分揀等真實場景中的深度部署，確保技術優(yōu)勢轉化為落地優(yōu)勢，并反哺模型持續(xù)進化。包含:

基礎能力深度解析

詳細拆解模型多模態(tài)理解、空間推理、任務規(guī)劃等核心能力，明確不同具身場景下的能力邊界與適配閾值，為下游應用提供精準的技術參考。

精準問題定位指南

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

實操優(yōu)化全流程指導

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

雙向數(shù)據(jù)回流機制

回收下游場景中的全新數(shù)據(jù)、新興任務需求及交互反饋，將其轉化為模型可學習的訓練資源，反向注入Thinker迭代過程，持續(xù)擴展模型基礎能力與泛化性。以工廠搬運為例，系統(tǒng)持續(xù)收集實際作業(yè)中的長尾案例數(shù)據(jù)，如料箱識別失敗、抓取軌跡動態(tài)調整等。這些真實場景數(shù)據(jù)直接反哺 Thinker 模型的訓練，推動其自主進化，不斷增強基礎性能與場景適應能力。最終基于Thinker大模型，Walker S2可在箱體搬運、工件分揀等下游應用場景中實現(xiàn) 99.99% 的作業(yè)準確率。

具身智能大模型Thinker的應用閉環(huán)

當前，具身智能正加速滲透工業(yè)智造、商用服務等千行百業(yè)，但技術門檻與成本限制成為行業(yè)普及的關鍵瓶頸。優(yōu)必選堅持開源共享理念，將模型權重、訓練工具鏈與應用案例全量開放，希望與更多開發(fā)者和企業(yè)共同擁抱具身智能的浪潮。