【量子位 2026年2月3日讯】具身智能赛道再添重磅突破！优必选正式开源专为工业人形机器人打造的具身智能大模型Thinker，以“小参数、高性能、全开源”的核心优势，在涵盖场景认知、空间理解等关键能力的权威基准评测中狂揽9项全球第一，力压英伟达、字节跳动等顶尖团队的同类模型。这款百亿参数基座模型，不仅破解了工业场景中机器人“抓不准、跟不上”的行业痛点，更通过全链路数据优化方案将标注成本降低99%，目前已实现Walker S2工业机器人在箱体搬运、工件分拣等场景99.99%的作业准确率，为具身智能规模化落地提供“可复用、低成本”的技术底座。
一、9项第一背后：小参数模型的“性能逆袭”
在具身智能领域，“参数堆料”曾被视为提升模型能力的主流路径，但优必选Thinker打破这一惯性思维，以轻量化架构实现性能突破，尤其适配工业机器人对实时性、精准性的高要求。
1. 核心指标碾压：覆盖具身智能两大核心能力
Thinker在10B参数以下具身智能模型权威榜单中，拿下的9项第一全面覆盖两大关键维度，每项指标均领先第二名5%以上：
-
场景认知与任务规划：在First-Person Action Benchmark（第一视角动作基准）中，模型对工业场景指令的理解准确率达96.3%，能精准拆解“料箱搬运→货架归位→库存记录”等多步骤任务，避免传统模型“漏步骤、错顺序”的问题；
-
空间感知与物理交互：在3D Scene Understanding（3D场景理解）测试中，空间定位误差控制在2毫米以内，远超行业平均5毫米的水平，可支撑机器人完成螺丝拧紧、芯片拾取等毫米级精度操作。
更值得关注的是，任务越复杂、序列越长，Thinker的优势越显著。在Horizon=5（需连续执行5个关联动作）的工业产线模拟任务中，其成功率比第二名高出9.2%，充分验证了模型在长时序任务中的稳定性。
2. 小参数架构设计：适配工业机器人实时性需求
Thinker基于百亿参数基座模型优化，通过“模块化拆分+关键能力强化”实现“小体积大能量”：
-
架构轻量化：剔除通用大模型中对具身任务冗余的文本生成模块，聚焦“视觉-动作”闭环核心能力，模型推理速度提升60%，可满足工业场景中200Hz频率的实时控制需求；
-
能力专项强化：针对工业场景重点优化空间推理（如判断工件摆放角度）、工具交互（如识别螺丝刀型号并选择拧动力度）等模块，在相关子任务上性能提升40%；
-
跨设备适配：已完成对优必选Walker S2、AgileX等主流工业机器人的适配，换用新机型时无需重构模型，仅需微调硬件接口参数，部署周期从3个月缩短至1周。
“工业机器人不需要‘会写诗’的大脑，但必须有‘算得快、判得准’的核心能力。”优必选具身智能负责人在接受采访时表示，Thinker的架构设计完全围绕工业场景痛点展开，避免了通用大模型“能力冗余、响应滞后”的问题。
二、数据驱动突破：从20B噪声数据到10M高质量样本
具身智能的性能高度依赖数据质量，但行业普遍面临“原始数据噪声大、标注成本高、小样本泛化难”的痛点。优必选构建全链路数据优化方案，为Thinker打造高质量数据基座。
1. 数据精炼：20B原始数据的“极致提纯”
面对含噪声、多模态错位的20B原始工业数据，Thinker通过两步法实现“从量到质”的跨越：
-
广度筛选：基于定制化规则（如剔除模糊图像、过滤重复动作序列），从视觉、语言、动作、环境等多模态数据中快速筛选出1%的候选数据池，初步去除无效信息；
-
深度评分：引入大模型构建多维度评分模块，从“工业场景适配度”（如是否包含真实产线环境）、“任务价值”（如是否覆盖复杂工具交互）、“数据质量”（如动作标注是否精准）三个维度打分，最终提炼出10M高质量训练样本，数据利用率提升20倍。
以螺丝拧紧任务数据为例，原始数据中包含大量“角度偏差、力度不当”的失败案例，经过筛选后，仅保留“标准操作+典型错误修复”的有效样本，模型学习效率显著提升。
2. 自动化标注：人工参与率＜1%的成本革命
针对具身数据标注难度大、成本高的行业痛点，Thinker构建“弱监督+自监督+少量人工校验”的闭环体系：
-
核心技术：采用“大模型辅助标注+多模型交叉验证”策略，例如对视觉场景分割任务，先由基础模型生成初步标注，再通过3个不同架构的模型交叉验证，自动修正偏差；
-
人工介入最小化：仅对标注置信度低于95%的样本（如模糊的工件边缘识别）进行人工复核，最终将人工参与率控制在1%以下，较传统全人工标注成本降低99%，效率提升100倍以上；
-
动态迭代：将模型训练中的误差反馈至标注流水线，持续优化算法参数，例如发现“特定材质工件识别准确率低”后，自动增加该类样本的标注权重，标注准确率随迭代逐步提升至99.2%。
三、工业落地：从模型到机器人的“能力闭环”
Thinker并非实验室级别的技术演示，而是已深度集成至优必选工业机器人解决方案，通过“模型-机器人-场景”的双向反馈实现能力进化。
1. 单机应用：Walker S2作业准确率达99.99%
搭载Thinker大模型的优必选Walker S2工业机器人，已在多家车厂、电子工厂实现规模化应用，核心场景表现亮眼：
-
箱体搬运：模型通过视觉推演预判料箱重心位置，控制机械臂抓取力度，避免传统机器人“抓不稳、易掉落”的问题，搬运成功率从95%提升至99.99%；
-
工件分拣：在电子元件分拣任务中，能精准识别不同型号芯片（最小尺寸2mm×2mm），并根据生产线节奏调整分拣速度，每小时处理量达1200件，比人工效率提升3倍；
-
异常处理：当遇到料箱变形、工件错位等突发情况时，模型可自主生成应对方案（如调整抓取角度、更换夹持工具），无需人工干预，异常处理响应时间缩短至0.5秒。
2. 群体智能延伸：支撑多机协同作业
依托Thinker的认知与决策能力，优必选进一步构建群脑网络（BrainNet）架构，实现多台工业机器人协同作业：
-
超级大脑：基于Thinker扩展的多模态推理大模型，负责产线级任务拆解与调度，例如将“汽车底盘组装”任务拆分为“零件搬运、螺丝拧紧、质检记录”等子任务，分配给不同机器人；
-
智能小脑：基于Transformer模型的协同控制模块，实现多机动作同步，例如3台Walker S2协作组装发动机时，动作误差控制在10毫秒以内，避免碰撞或工序延误；
-
数据回流：产线中产生的新数据（如罕见工件形态、突发故障案例）会实时反馈至Thinker模型，持续优化算法，形成“应用-反馈-迭代”的正向循环。
珠海某汽车零部件工厂的应用案例显示，5台Walker S2在Thinker与群脑网络支撑下，产线组装效率提升40%，不良率下降至0.01%，人力成本降低60%。
四、全开源生态：降低行业门槛，推动具身智能普惠化
优必选此次将Thinker的模型权重、训练工具链、应用案例全量开源，打破具身智能技术壁垒，开发者可通过GitHub、Hugging Face等平台免费获取资源，快速适配自有场景。
1. 开源内容：从模型到工具的“一站式支持”
开源包包含三大核心资源，覆盖从训练到部署的全流程：
-
模型资源：提供4B、10B两个参数版本的权重文件，支持TensorFlow、PyTorch主流框架，开发者可根据硬件算力选择适配版本；
-
训练工具链：包含数据精炼脚本、自动化标注工具、工业场景微调模板，新手开发者可基于模板快速完成“电子元件检测”“机械臂控制”等任务的模型优化；
-
应用案例库：详细拆解Walker S2在不同工业场景的部署流程，包含代码示例、参数配置、故障排查指南，降低实际应用难度。
2. 生态价值：加速行业技术迭代
Thinker的开源不仅为中小开发者提供技术支持，更推动行业形成“协作创新”的生态：
-
降低研发成本：中小企业无需从零构建具身模型，基于Thinker二次开发可节省60%以上的研发时间，例如某机器人初创公司基于开源模型，仅用2个月就完成了工业质检机器人的智能大脑开发；
-
推动标准统一：开源方案中包含优必选在工业场景验证的“数据标注规范”“模型评估指标”，为行业提供可复用的技术标准，避免“各自为战”导致的兼容性问题；
-
激发场景创新：目前已有开发者基于Thinker探索农业采摘、仓储物流等非工业场景的应用，例如优化模型识别农作物成熟度，实现采摘机器人精准作业。
五、行业影响：具身智能迈入“低成本规模化”新阶段
Thinker的发布与开源，不仅是优必选在具身智能领域的技术突破，更标志着行业从“技术探索”向“产业落地”的关键转折，为解决具身智能三大核心瓶颈提供新思路：
1. 突破模型轻量化瓶颈
打破“参数越大性能越强”的固有认知，证明通过架构优化与能力聚焦，小参数模型也能满足工业场景需求，为端侧、边缘侧机器人应用提供可能。
2. 破解数据成本难题
全链路数据优化方案将标注成本降低99%，解决行业“数据贵、标注难”的痛点，尤其利好缺乏海量数据积累的中小厂商。
3. 构建开源协作生态
通过开放技术资源，吸引全球开发者参与迭代，形成“开源-反馈-升级”的正向循环，加速具身智能在千行百业的渗透。
正如优必选CEO周剑所言：“Thinker的开源，是希望让更多人能用得起、用得好具身智能技术。未来，我们不仅要让机器人走进工厂，更要通过生态协作，让具身智能成为推动产业智能化的普惠工具。”
目前，Thinker已在GitHub、Hugging Face、ModelScope等平台开放下载，优必选同时启动“具身智能开发者计划”，提供技术培训与场景落地支持。随着更多开发者的参与，这款拿下9项全球第一的模型，或将成为工业具身智能领域的“标配底座”，推动人形机器人加速从实验室走向生产线。
