从前一年，以人形机械报答代表的具身智能在尝试室中的“场景理解”与“工作规划”上进展显著，但面对真实的工业产线工作时，往往面对“想得到但抓禁绝、算得出但跟不上”的困境。这背后，是持久连绵在尝试室环境与真实利用场景之间的天堑：人形机械人在空间层面的怀抱失准与功夫层面的响应迟滞。 基于百亿参数底座模型，优必选对其具身智能大模型Thinker进行了架构升级。本次升级聚焦“幼参数、高机能、全开源”，旨在打造一个能为工业人形机械人提供急剧反映与精准空间感知的下一代具身智能大脑，以应对动态工业场景的挑战。Thinker将作为智能基座，为优必选的群脑网络和合作智能体Co-Agent提招认知与决策支持，进而驱动单机自主与群体智能的协同进化。 Thinker 实现了 “幼体积大能量” 的关键机能突破，优必选这次将其开源，让宽大开发者可基于该基座索求人形机械人大脑的利用，一起加快具身智能技术的迭代节拍，携手共建人形机械人的全新将来。 当前，机械人领域大模型阐发欠佳，尤其在空间理解、视觉感知等关键工作上精度不及
；且模型参数量普遍较大，难以满足机械人对实时性的高要求
；其次，互联网上虽有海量数据，但质量参差不齐，造约了模型通过Data Scaling 实现机能有效提升。 优必选具身智能大模型Thinker以“幼参数、高机能、全开源”突破具身大脑领域限度。近日，在涵盖10B以下具身智能大脑模型的权威基准评测中，Thinker一举拿下9项第一，沉新界说了该领域的机能标杆。这些基准全面评估了具身智能的两大主题能力：一是机械人第一视角下的场景认知与工作规划能力，二是支持物理交互的精准感知与空间理解能力。 该权威榜单席卷了英伟达、字节跳动、北京智源及北京人形等顶尖团队近期颁布的代表性模型，集中体现了具身智能行业的前沿水平。 具身智能的主题竞争力根植于高质量数据的支持，但行业普遍面对原始数据噪声大、多模态对齐难题、标注成本高、幼样本泛化难等痛点。优必选以数据为主题，构建了覆盖"精辟提纯 - 自动化标注 - 数据驱动训练” 的全链路解决规划，通过极致的技术优化破解行业难题，为轻量化具身大模型的高机能阐发筑牢数据基座。 面对高达20B、含噪声、难对齐、模态缺失的原始数据，优必选构建了全流程自动化“精辟提纯”流水线。通过“数据筛选”与“质量评分”两步，实现从20B到10M级别高质量数据的极致提纯。 主题技术：选取“大模型辅助标注 + 多模型交叉验证”战术，对视觉场景宰割、作为序列分类、指令意图解析等工作实现端到端自动化标注
； 人为校验机造：仅对标注相信度低于阈值的样本进行人为复核，最终将人为参加率节造在1%以下，较传统全人为标注规划成本降低 99%，标注效能提升超百倍
； 动态迭代优化：将模型训练后的误差反馈至标注流水线，持续优化标注算法参数，形成“标注 - 训练 - 反馈 - 迭代”的关环，标注正确率随迭代逐步提升。 具身智能的主题需要是 “在复杂真实场景中精准交互”，而数据质量直接决定模型的环境适配与工作迁徙能力。优必选的训练范式以下三个主题维度系统保险模型的泛化与迁徙能力： 工作导向型采样：针对具身智能 “感知 - 决策 - 执杏妆 关环中的关键环节（如精密操作、吞吐指令理解、突发场景应对），进行样本动态采样，提升模型主题能力
； 依附具身智能大模型Thinker的技术积淀，优必选创新性买通数据回流机造，通过在工厂搬运、工件分拣等真实场景中的深度部署，确保技术优势转化为落地优势，并反哺模型持续进化。蕴含: 具体拆解模型多模态理解、空间推理、工作规划等主题能力，明确分歧具身场景下的能力天堑与适配阈值，为下游利用提供精准的技术参考。 提供场景化问题诊断步骤论，针对落地中常见的指令理解误差、操作精度不及等问题，给出可直接套用的排查流程与解决规划。 回收下游场景中的全新数据、新兴工作需要及交互反馈，将其转化为模型可进建的训练资源，反向注入Thinker迭代过程，持续扩大模型基础能力与泛化性。以工厂搬运为例，系统持续网络现实作业中的长尾案例数据，如料箱鉴别失败、抓取轨迹动态调整等。这些真实场景数据直接反哺 Thinker 模型的训练，推动其自主进化，不休加强基础机能与场景适应能力。最终基于Thinker大模型，Walker S2可在箱体搬运、工件分拣等下游利用场景中实现 99.99% 的作业正确率。 当前，具身智能正加快渗入工业智造、商用服务等千行百业，但技术门槛与成本限度成为行业遍及的关键瓶颈。优必选对峙开源共享理想，将模型权沉、训练工具链与利用案例全量盛开，但愿与更多开发者和企业共同拥抱具身智能的海潮。