“小參數(shù)、高性能、全開源。

9項全球第一，全棧開源。

2026開春，人形機器人第一股優(yōu)必選正式開源其具身智能大模型Thinker的架構(gòu)升級版。在英偉達、字節(jié)跳動、北京智源等全球頂尖梯隊的混戰(zhàn)中，Thinker以不到10B的小身板，橫掃了空間理解、任務(wù)規(guī)劃等9項核心權(quán)威基準(zhǔn)。

優(yōu)必選具身智能大模型Thinker在9項權(quán)威基準(zhǔn)評測中排名全球第一

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

這不是一次尋常的模型發(fā)布。當(dāng)很多機器人還在實驗室里擺弄衣服、分揀膠囊，拍著精美的演示視頻時，優(yōu)必選已經(jīng)帶著搭載Thinker的機器人走進了真正的工廠。

這也并不只是在榜單上拿個第一。它更意味著，整個行業(yè)正在重新思考什么是“智能”。過去我們看機器人會不會答題、會不會聊天，而現(xiàn)在我們更關(guān)心它能不能在真實環(huán)境里把活兒干明白、干踏實。

01.

性能標(biāo)準(zhǔn)：從追求“刷榜冠軍”到產(chǎn)線“全勤長工”

在具身智能領(lǐng)域，我們必須戳破一個泡沫：參數(shù)量大，不代表腦子好使。

傳統(tǒng)的VLA模型多基于互聯(lián)網(wǎng)視頻訓(xùn)練，它們看慣了第三人稱的上帝視角，一旦切換到機器人的第一視角，往往會陷入“想得到但抓不準(zhǔn)”的空間迷失。

這樣的視角錯位是致命的，因為現(xiàn)實產(chǎn)線要的不是那種空有邏輯、在試卷上考滿分的“學(xué)霸”而是能在動態(tài)光影和嘈雜背景下，死磕0.1毫米定位偏差的硬核長工。

Thinker的逆襲，本質(zhì)上是實干智能對表演智能的降維打擊。

在涵蓋Robovqa和Egoplan-bench2等核心基準(zhǔn)的測試中，Thinker斬獲了SOTA成果。它解決的是機器人最扎心的三個痛點：視角適配難、視頻推理易斷片、專屬數(shù)據(jù)荒。

Thinker-4B 全球基準(zhǔn)評測實測全榜單數(shù)據(jù)

這種對比極其犀利。相比Figure、宇樹等側(cè)重語言交互或?qū)嶒炇已菔镜哪Ｐ?，Thinker的每一行代碼，目標(biāo)都極為明確：不是為了在攝影棚里表演，而是為了讓機器人在雜亂的工廠環(huán)境里精準(zhǔn)穩(wěn)定作業(yè)。

02.

Thinker解構(gòu)：“小體積大能量”的通用大腦是如何煉成的？

為什么Thinker能以小博大？這絕非偶然。它不再單純依賴暴力堆疊參數(shù)，而是重構(gòu)了具身智能的推理路徑。其高性能源于一套可復(fù)制的、以數(shù)據(jù)為中心的工業(yè)化訓(xùn)練體系。

優(yōu)必選具身智能大模型Thinker技術(shù)架構(gòu)圖

突破一：數(shù)據(jù)煉金術(shù)，從20B原始荒原到10M黃金數(shù)據(jù)集

具身智能領(lǐng)域的共識是：數(shù)據(jù)決定上限。但行業(yè)長期面臨數(shù)據(jù)貧血，互聯(lián)網(wǎng)數(shù)據(jù)雖多，但大多是看客視角，缺乏物理世界的分寸感。

對此，優(yōu)必選構(gòu)建了一套全流程自動化的“精煉提純”流水線。面對20B規(guī)模的原始數(shù)據(jù)，Thinker先通過定制規(guī)則篩選出1%的候選池，再引入大模型進行多維度深度評分。最終淬提煉成出約10M級別的高價值黃金數(shù)據(jù)集。

配合涵蓋“任務(wù)-功能-分類-模態(tài)”的L4級精細標(biāo)注標(biāo)準(zhǔn)，Thinker系統(tǒng)地強化了其多維度、高質(zhì)量的數(shù)據(jù)供給，能夠更精確地理解時空關(guān)系與動作序列。換句話說，它不再是站在旁邊的看客，而是擁有了真正的三維直覺。

Thinker訓(xùn)練數(shù)據(jù)類型分布

突破二：極致效能架構(gòu)，把大腦塞進指尖

在工業(yè)產(chǎn)線，0.1秒的延遲就意味著一次事故。Thinker死磕10B以下的小參數(shù)架構(gòu)，核心目標(biāo)只有一個：實時響應(yīng)。

相比動輒百億千億參數(shù)的巨型模型，Thinker以更輕量的體量拿下了9項全球第一。這種精干的架構(gòu)讓部署成本更低，能直接在Walker S2本體算力上實現(xiàn)毫秒級響應(yīng)。

為了彌合“想得到”與“做得到”之間的鴻溝，Thinker創(chuàng)新地采用“視頻+關(guān)鍵幀”聯(lián)合輸入，強化了對動作末尾關(guān)鍵信息的捕捉。它治好了機器人容易遺漏結(jié)尾信息的健忘癥，確保了操作的每一個微小環(huán)節(jié)都能精準(zhǔn)閉環(huán)。

突破三：轉(zhuǎn)動數(shù)據(jù)飛輪，讓機器人越干越老練

真正的強大不是模型發(fā)布的瞬間，而是它進入工廠后的自我迭代能力。

優(yōu)必選創(chuàng)新性打通數(shù)據(jù)回流機制，讓數(shù)據(jù)飛輪真正轉(zhuǎn)了起來。當(dāng)Walker S2在工廠分揀工件時，一旦遇到光影畸變、非標(biāo)件堆疊等失敗案例，系統(tǒng)會自動捕獲這些異常并反向注入訓(xùn)練集。為了讓這種進化不被成本拖垮，優(yōu)必選通過大模型輔助標(biāo)注與多模型交叉驗證，將人工參與率降至1%以下，成本直降99%。

在這種“標(biāo)注-訓(xùn)練-反饋-迭代”的閉環(huán)中，Thinker進化成了一個深諳產(chǎn)線規(guī)則的數(shù)字大腦。得益于這顆大腦的精準(zhǔn)調(diào)度，Walker S2 擁有了老技工般的直覺，在搬運、分揀等實戰(zhàn)場景中，實現(xiàn)了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)

03.

全棧開源：以通用底座，為產(chǎn)業(yè)按下加速鍵

優(yōu)必選開源Thinker，遠不止于發(fā)布一個模型。此舉的核心，是“人形機器人第一股”在深化其軟硬一體全棧布局的同時，為行業(yè)提供了一個經(jīng)過工業(yè)驗證的通用技術(shù)底座。

長期以來，具身智能領(lǐng)域評測標(biāo)準(zhǔn)不一，實驗室性能與工業(yè)場景需求脫節(jié)。Thinker的開源，相當(dāng)于為全球開發(fā)者提供了一把基于真實物理世界的標(biāo)尺，推動技術(shù)研發(fā)從虛擬演示回歸到務(wù)實執(zhí)行。

更具價值的是，面對醫(yī)療、能源、物流等碎片化場景，Thinker這個經(jīng)過工業(yè)驗證的通用基座，讓開發(fā)者與企業(yè)無需從零“造輪子”，可以“拎包入住”，將精力聚焦于解決行業(yè)特有難題，大幅縮短機器人從技術(shù)到產(chǎn)品的落地周期。

從更廣的視野看，這亦是構(gòu)建產(chǎn)業(yè)生態(tài)的關(guān)鍵一步。通過開源，優(yōu)必選正將中國的制造業(yè)場景優(yōu)勢，轉(zhuǎn)化為參與定義全球技術(shù)生態(tài)的主動權(quán)。

具身智能的終極愿景是讓機器人融入千行百業(yè)，這絕非單一公司能實現(xiàn)。Thinker的開源，正是以開放協(xié)作的方式，為整個領(lǐng)域預(yù)留了持續(xù)迭代與進化的技術(shù)空間，為機器人真正走進人類生產(chǎn)與生活的進程，按下了加速鍵。

開源代碼網(wǎng)址：

https://github.com/UBTECH-Robot/Thinker

權(quán)重鏈接：

https://huggingface.co/UBTECH-Robotics/Thinker-4B

論文鏈接：

https://arxiv.org/abs/2601.21199