让机器人把杯子推到指定位置，它既要看清杯子和桌沿，也要判断动作会带来什么变化，再决定手怎么走。过去，这些环节常由多个模型分头处理。优必选的 Thinker-WM 试图改成“一套大脑”：把 RGB 视频、深度信息和机器人动作转成统一的内部表示，让同一模型兼顾环境理解、未来预测和行动生成。
它的核心是 Unified Dynamics Transformer（UDT，统一动态 Transformer）——视觉、空间几何和动作信息在模型内部直接交换，而非到接口处再拼接。一个具体结果是：据优必选团队披露，在 RoboTwin 单任务消融实验中，加入深度信息后，操作成功率比无深度版本提高 15 个百分点。这说明“物体离多远、空间怎样排列”不只是辅助信息，也可能直接改善动作生成。
团队称，同一套模型权重可通过切换输入与输出形式覆盖六项能力，并在 WorldOlympiad、EWMBench 和 WorldArena 1.0 Track-1 三项具身世界模型基准中排名第一。这项工作的看点，是世界模型——先预演行动后果——与 VLA（视觉—语言—动作模型，负责从观察和指令走向动作）开始在统一架构中合流；不过目前成绩与效果主要来自团队及相关报道，摘要未提供独立复核结果。