优必选 Thinker-Sim 上线，一站式解决具身智能仿真、数据合成与评测

11 月 2 日，优必选发布具身智能仿真平台 Thinker-Sim。平台以 Real2Sim2Real 为核心，把真实场景数字化、规模化仿真数据合成和机器人能力评测放进同一套体系，单个 8 GPU 节点日均可合成 390 小时仿真数据。

平台瞄准具身智能训练里三个现实痛点：真实数据采集成本高，仿真环境构建复杂，算法验证周期长。Real2Sim2Real 对应的流程是先把真实场景搬进仿真，在仿真里批量生成训练数据、验证机器人能力，再回到真实环境部署。

场景重建是这套流程的第一步。平台依托自研的 Thinker-GS 高保真场景重建算法，从真实场景采集、三维重建一路转换到仿真资产。

以工业工厂为例，平台基于真实产线环境做三维重建，还原厂区空间布局、环境结构和视觉细节，形成静态背景场景，再按训练、数据采集或算法评测的需要，加载机器人、生产设备、人员等前景资产，组装成可交互的仿真环境。面向商业服务场景，平台可以生成商业展厅的数字孪生环境，供机器人训练和部署验证。

图丨由 Thinker-Sim 生成的工厂仿真场景，画面为非作业状态（来源：优必选，经 IT之家）

仿真环境里的物体同样需要批量制作。官方为此搭建了全流程 SimReady 资产自动化生成体系，涵盖图文驱动的三维资产批量生成、低模拓扑优化、视觉材质生成和碰撞体自动配置。与传统仿真建模相比，这套体系可以降低人工建模和资产处理成本，同时兼顾资产的视觉真实感和物理交互能力。

数据合成环节依靠自研的高性能渲染引擎、大规模并行仿真架构和数据合成算法。官方披露了三项指标：自研渲染引擎的渲染效率提升 67.3%；单节点（8 GPU）日均仿真数据合成产能 390 小时；自研高性能通信模块用于 SIL/HIL（软件在环、硬件在环）通信，通信效率提升超过 400%。

评测模块搭建了统一的仿真验证框架，覆盖感知、导航、操作等机器人典型任务，支持对各类算法、模型做标准化测试。平台支持对场景、光照、纹理、材质做随机扰动，用来验证算法在多变环境下的泛化与鲁棒性。

操作层面，用户选定任务模板、配置参数即可启动仿真；也能通过可视化工作流，自由组合场景、机器人、算法与评测组件。官方介绍，这套零代码模式可以覆盖 90% 以上目标仿真场景。平台同时接入自研 Ulab-Agent，用户直接用自然语言下达指令，由 Agent 自动完成场景创建、环境随机化、任务编排等操作。

Thinker 这个名字此前已用在优必选的具身智能大模型上。

今年 1 月底，优必选在 GitHub 和 Hugging Face 开源了 4B 参数的具身智能大模型 Thinker（CC BY-NC-SA 4.0 非商用许可，基于通义千问 Qwen3-VL-4B 微调），并称已基于它在 Walker S2 上实现工厂搬运、工件分拣等场景的深度部署。

优必选在此次发布中称，Thinker-Sim 将持续夯实具身智能大模型相关基础能力，为人形机器人在工业、商业等场景规模化落地提供基础设施。