优必选 Thinker 大模型技术突破与应用
核心技术突破
- 核心算法与场景数据结合：优必选自研 Thinker 大模型在人形机器人工业应用中展现强大任务理解、环境感知、认知决策和任务规划能力，国际评测获 9 项全球第一，验证技术领先性。
- 工业应用高效执行：结合 VOA 技术实现搬运、分拣等任务高效精确执行，具备自我纠错和恢复能力，展现强大泛化能力。
- 端侧部署与工程优化：通过模型蒸馏、量化加速和端侧部署优化，在有限算力芯片上高效运行 Thinker 大模型，实现算法创新与工程能力结合。
数据与硬件处理
- 训练数据来源：主要采用开源数据，结合真机及客户现场数据，通过学习异构数据形成通用表征，解决硬件异构问题，控制研发成本。
- 数据处理：实现近 100% 自动化标注流程，转向以数据为中心的研发模式，高质量数据是模型有效性的关键因素。
模型性能提升关键因素
- 多模态数据融合：融合互联网开源数据和真机操作记录，提高模型适应性和泛化能力。
- 先进算法与强化学习：采用 Post Training、RejectFineTuning 及强化学习优化模型，增强问题解决和自我纠错能力。
- 工程优化与算力利用：通过蒸馏、量化加速等技术，在有限算力下实现高效运行，确保稳定性和可靠性。
评测与未来目标
- 评测基准：行业认可任务规划、场景理解和物体感知等评测集，优必选使用 17 个相关评测集。
- 仿真与硬件部署：采用 Realistic Simulation 方法解决物理误差问题。
- 未来目标：未来 3-6 个月探索 VLA 和世界模型方向，计划发布相关成果。
团队与研发
- 研发团队：整体研发人员超 1000 人，70% 从事软件开发，30% 从事硬件开发。
- 标注流程：规则初筛+自动化精筛，整体标注准确率达 100%。
实际应用表现
- 控制频率与延迟：Thinker 大脑推理频率约 10 赫兹，V0A 小脑可达 50-100 赫兹，支持实时闭环控制。
- 多机器人协同：通过中心化大脑实现跨机共享决策，支持多机器人协同作业。
商业模式与差异化优势
- 开源模型支持：基于开源协议，提供机器人硬件优化工具链，支持二次微调。
- 数据安全：开源模型不涉及客户数据，严格遵循保密协议。
- 长尾问题处理：通过数据回流机制提升模型性能，形成数据飞轮。
- 核心优势：体积小（4B）、端侧部署效率高，拥有大量真实工业场景数据，商业模式前景良好。
