11月13日，北京人形机器人创新中心全面开源具身智能VLM模型——Pelican-VL 1.0。该模型覆盖7B、72B参数规模，是“最大规模的开源具身多模态大脑模型”。其核心优势在于深度整合海量数据与自适应学习机制：并在由 1000+ A800 GPU 组成的集群上训练，单次检查点训练耗费超过 50,000 A800 GPU-小时；团队从原始数据中蒸馏出包含数亿 token 的高质量元数据以做训练基石。在基线基础上性能提升20.3%，超过同级别开源模型10.6%，成为开源具身性能最好的大脑模型。另外值得注意的是，Pelican-VL的核心主创团队由女性组成，这也充分体现了女性力量在我国科技研发中的重要贡献。

得益于“刻意练习”DPPO（Deliberate Practice Policy Optimization）训练范式，Pelican-VL 就像一名刻苦钻研的学生：每次训练循环都会“看视频—自主练习—发现错误—纠正提升”。通过DPPO 模仿人类元认知的学习方式，通过强化学习（RL）探索弱点、生成失败样本，再进行有针对性的监督微调（SFT），让模型不断自我纠错和迭代进步。

就像学生做错题后总结经验一样，Pelican-VL 能在训练中发现“薄弱知识点”并补齐，从而持续提高在视觉-语言和具身任务上的能力。通过这种机制，Pelican-VL 能够更准确地理解图像内容、语言指令和物理常识，最终在决策和操作执行环节中，实现了具身智能在空间-时间推理和动作规划方面的大幅突破。

• 具身交互能力：在诸如物体抓取、导航、协作等机器人任务中，Pelican-VL 不仅能理解任务目标，还能输出细化的动作步骤和评估每步可行性。这意味着它在看到指令后，可以设计出机器人抓取点和操作策略。其多任务能力覆盖抓取、导航、人机交互等不同应用场景，体现出跨任务的强大泛化性。

  
  

• 自我纠错与迭代学习：借助DPPO循环训练，Pelican-VL 具有“自我纠错”特质。每轮强化学习后，模型都会自动生成新的难题样本并进行再训练，如同不断练习和复盘。随着训练的进行，它的弱点被逐步修补，能力不断提升。这一过程类似“刻意练习”的学习范式，使得Pelican-VL在迭代中持续进步并达到与顶级闭源系统持平的表现。

  
  

这些改进并非纸上谈兵，Pelican-VL在多项真实的具身任务上给出评测：在接触丰富的触觉操控（例如需要调整握力以抓取软物体）上，Pelican-VL 成功实现了闭环预测与实时调节；在以“可供性（affordance）”为核心的物体搬取策略中，模型能零样本生成可行的操作方案；在长程任务规划方面，一个统一大脑也能协调多台机器人完成级联任务。总体上，论文报告称相较基线模型，Pelican-VL在空间理解和时间推理等能力上出现显著提升，并在若干公开基准上超过了部分 100B 量级的开源系统，甚至接近一些闭源模型的水平。

同时，团队还在九个维度的具身智能分类体系中，对Pelican-VL的各项技能进行了评测，如下雷达图分布显示，各项指标均在关键维度上表现突出。

Pelican-VL，让具身拥有智能

人形机器人无疑是目前AI技术在普通人认知里最具象的展现，而让机器人真正能够做到服务人类，一直都是全球研发团队所追求的目标，但这并不容易，背后是具身智能体对于空间-时间的理解不足，以及多步骤长线程复杂决策的能力缺失造成的困境。

在典型的Vision–Language–Action (VLA) 系统里，Pelican-VL 扮演着“视觉语言大脑”的角色，为机器人提供强大的环境感知和指令理解能力。它将摄像头所见与自然语言指令结合，构建起对场景的多模态表征，然后输出可供后续决策单元使用的结构化信息。也就是说，Pelican-VL负责“看图听话”，理解指令和环境，VLA负责跨机器人应用；二者组合可以在多种机器人上执行多任务。

有了这样的基础，系统可以完成长时序、多步骤的任务规划和执行。以下面这个复合指令为例：“把鞋子放到鞋架上、将桌上的垃圾扔到垃圾桶，再把衣服放入洗衣机”。Pelican-VL 首先感知房间物体和布局，构建出整个环境的语义表示；接着根据指令自动生成行动序列：依次移动到鞋架、垃圾桶和洗衣机位置并进行抓取和放置操作。在这一过程中，模型不断更新内部环境状态，调整计划并适应实际情况，实现了自然语言指令的自主分解和执行。简而言之，Pelican-VL 构成了VLA系统的认知前端，为长期规划和指令执行提供跨模态的信息支持，使机器人能够像人类一样将复杂任务拆解并落地操作。

英伟达团队在25年3月提出来Cosmos-Reason1 是 NVIDIA 发布的专为物理智能（Physical AI）打造的多模态大模型，包含 8B 和 56B 两种尺寸。模型在空间、时间和基础物理三大常识范畴下，融合视觉与文本信息，具备强大的物理常识推理和具身推理能力。采用 ViT-300M 视觉编码器、Mamba-MLP-Transformer 主干，以及多阶段训练流程（包括视觉预训练、物理 SFT、物理强化学习），配合 1 亿级多模态样本和千万级具身与物理常识数据。在物理推理、空间认知等多项基准测试上远超现有主流模型，并开源了权重与代码。

Google 的 embodied reasoning以 Gemini Robotics-ER 模型为代表，它是以它强大的基座模型Gemini为基座继续增强，核心目标是让 AI 能够在真实物理环境中理解、规划并做出决策，主要应用于机器人领域。Gemini Robotics-ER 具备多模态推理能力，能够处理物体检测、空间理解、抓取预测和三维轨迹规划等任务，并将视觉感知转化为机器人可执行的高阶指令。模型支持多步规划和环境反馈动态调整，利用如 ERQA 数据集等基准评估其现实任务能力。此外，Google 探索“内心独白”机制，让机器人在动态环境下能自我思考、实时调整，实现高鲁棒性的具身智能。

GPT-5是通用视觉-语言大模型同样具备强大的图像理解和跨模态推理能力，但它们原本并非专为物理执行而设计。GPT-5可以回答视觉问题、生成图像描述，但缺少与机器人硬件对接的控制层。

相比国外闭源模型，Pelican-VL 在国内开源模型基础上进行预训练，利用少量的数据和训练资源，即达到了相当的性能，甚至更好的性能，另外因为其开源的模型属性，可以更广泛地赋能国内外具身行业。

开源当天，北京人形进行了直播演示和技术解读，邀请了《商业漫谈 Jane’s Talk》创始人、科技媒体人卫诗婕与主创成员深度对话，不仅详细展现了具身智能大脑Pelican-VL全面领先的性能，并拆解Pelican-VL创新的技术架构，还充分展示了女性研发成员在具身智能模型领域的创新力量。

用“最低”的门槛，激发“最高”的产业活力

Pelican-VL 的开放策略为产业落地提供了良好土壤。开源意味着广大机器人厂商和开发者可以自由使用与定制这一模型，加速研发进程。例如，北京人形机器人创新中心还在推进“千台机器人真实场景数据采集计划”，让上千台机器人在工厂、仓库、酒店等场景中执行任务并采集数据。这些规模化的多模态数据与Pelican-VL结合，将推动其在制造业自动化、智能物流、零售无人化和家居服务等多领域的快速适配和优化。

从产业视角看，Pelican-VL 的开源特点和多场景覆盖能力犹如为机器人生态搭建了一个“开放型大脑”。就像开源大语言模型（如LLaMA）迅速催生了应用爆发一样，Pelican-VL 有望成为国产机器人产业的基础软件平台。厂商可以基于它快速开发特定场景下的应用方案，大大降低开发成本和难度。长期来看，Pelican-VL 及其后续版本将促进国内形成完善的通用机器人智能平台，推动更多种类的机器人像安装“通用智能操作系统”一样迅速获取新能力。

总之，Pelican-VL 1.0 的开源标志着具身智能进入了一个以数据驱动、开放协同为核心的新阶段。它不仅在技术上实现了视觉、语言和行动的深度融合，也为产业链带来了全新的合作模式。随着更多研究机构和企业参与生态建设，Pelican-VL 有望引领国内外通用机器人“大脑”市场的发展，让更多机器人在可见的未来中具备“通用智能”、灵活自适应的能力。

• 主页:https://pelican-vl.github.io/
  

• Github:https://github.com/Open-X-Humanoid/pelican-vl
  

• Huggingface:https://huggingface.co/collections/X-Humanoid/pelican-vl-10
  

• Modelscope:https://modelscope.cn/collections/Pelican10-VL-1036b65bbdfe46