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“任務規劃”上進展顯著，但面對真實的工業產線任務時，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。

基于百億參數底座模型，優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、高性能、全開源”，旨在打造一個能為工業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，以應對動態工業場景的挑戰。Thinker將作為智能基座，為優必選的群腦網絡和協作智能體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同進化。

Thinker 實現了 “小體積大能量” 的關鍵性能突破，優必選此次將其開源，讓廣大開發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奏，攜手共建人形機器人的全新未來。

小參數+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；且模型參數量普遍較大，難以滿足機器人對實時性的高要求；其次，互聯網上雖有海量數據，但質量參差不齊，制約了模型通過Data  Scaling 實現性能有效提升。

優必選具身智能大模型Thinker以“小參數、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、字節跳動、北京智源及北京人形等頂尖團隊近期發布的代表性模型，集中體現了具身智能行業的前沿水平。

優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

（數據更新至01/30/2026，結果基于flageval, evalscope框架評測）

從海量數據到高質量“大腦”

Thinker的數據轉化之道

具身智能的核心競爭力根植于高質量數據的支撐，但行業普遍面臨原始數據噪聲大、多模態對齊困難、標注成本高、小樣本泛化難等痛點。優必選以數據為核心，構建了覆蓋"精煉提純 - 自動化標注 - 數據驅動訓練” 的全鏈路解決方案，通過極致的技術優化破解行業難題，為輕量化具身大模型的高性能表現筑牢數據基座。

優必選具身智能大模型Thinker技術架構圖

從20B 到 10M

多模態數據的 “精煉提純” 流水線

面對高達20B、含噪聲、難對齊、模態缺失的原始數據，優必選構建了全流程自動化“精煉提純”流水線。通過“數據篩選”與“質量評分”兩步，實現從20B到10M級別高質量數據的極致提純。

廣度篩選：基于定制化規則，從視覺、語言、動作、環境等多模態數據中，快速過濾出約1%的候選數據池。

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據。

自動化標注閉環

人工參與率＜1% 的高效方案

針對具身數據標注難度大、成本高的行業痛點，優必選搭建了 “弱監督 + 自監督 + 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，較傳統全人工標注方案成本降低 99%，標注效率提升超百倍；

動態迭代優化：將模型訓練后的誤差反饋至標注流水線，持續優化標注算法參數，形成 “標注 - 訓練 - 反饋 - 迭代” 的閉環，標注準確率隨迭代逐步提升。

Data-centric 核心優勢

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”，而數據質量直接決定模型的環境適配與任務遷移能力。優必選的訓練范式以下三個核心維度系統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高質量數據，全面覆蓋具身智能四大核心任務類型：任務規劃, 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 - 執行” 閉環中的關鍵環節（如精細操作、模糊指令理解、突發場景應對），進行樣本動態采樣，提升模型核心能力；

L4級標注標準: 通過設計精細的4級數據標簽，從任務-功能-分類-模態4個維度進行精確劃分，實現對訓練數據配比的精準把控。

Thinker訓練數據類型分布

轉動數據飛輪

驅動模型持續進化

依托具身智能大模型Thinker的技術積淀，優必選創新性打通數據回流機制，通過在工廠搬運、工件分揀等真實場景中的深度部署，確保技術優勢轉化為落地優勢，并反哺模型持續進化。包含:

基礎能力深度解析

詳細拆解模型多模態理解、空間推理、任務規劃等核心能力，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。

實操優化全流程指導

涵蓋Prompt工程精細化優化技巧，以及SFT微調階段的數據構造規范、不同任務類型樣本比例配比建議，助力快速完成場景適配。

雙向數據回流機制

回收下游場景中的全新數據、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，持續擴展模型基礎能力與泛化性。以工廠搬運為例，系統持續收集實際作業中的長尾案例數據，如料箱識別失敗、抓取軌跡動態調整等。這些真實場景數據直接反哺 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 99.99% 的作業準確率。

具身智能大模型Thinker的應用閉環

當前，具身智能正加速滲透工業智造、商用服務等千行百業，但技術門檻與成本限制成為行業普及的關鍵瓶頸。優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，希望與更多開發者和企業共同擁抱具身智能的浪潮。