11月13日，北京人形機器人創(chuàng)新中心全面開源具身智能VLM模型——Pelican-VL 1.0。該模型覆蓋7B、72B參數(shù)規(guī)模，是迄今為止“最大規(guī)模的開源具身多模態(tài)大模型”，同時，也是迄今為止全球性能最強大的具身智能VLM模型，根據(jù)測試，其性能超越GPT-5 同類模型15.79% ，與Google gemini 系列模型相比提升19.25%，同時也超越通義千問、書生萬象等國內(nèi)模型，成為了目前最強的開源具身多模態(tài)大模型 。

另外值得注意的是，Pelican-VL的核心主創(chuàng)團隊都是由女性組成，這也充分體現(xiàn)了女性力量在我國科技研發(fā)中的重要貢獻。該團隊還提出了一套全新的DPPO（刻意訓(xùn)練）訓(xùn)練范式，是全球首創(chuàng)的具身多模態(tài)大模型后訓(xùn)練自進化算法框架。憑借DPPO，Pelican-VL 實現(xiàn)【性能最強】這一目標(biāo)使用的數(shù)據(jù)量為200K，僅僅是其他大模型的1/10甚至1/50，是名副其實的開源VLM性價比之王。

Pelican-VL 1.0 的開源，能夠大幅提升具身智能在商業(yè)服務(wù)、工業(yè)泛工業(yè)、高危特種作業(yè)、家庭服務(wù)等多種真實場景中，通過視覺-語言感知輔助多步任務(wù)規(guī)劃的能力。而VLM作為目前實現(xiàn)機器人全自主的核心，Pelican的開源也將推動我國具身智能全自主發(fā)展。

本次開源的Pelican-VL 1.0的核心優(yōu)勢在于深度整合海量數(shù)據(jù)與自適應(yīng)學(xué)習(xí)機制，在由 1000+ A800 GPU 組成的集群上訓(xùn)練，單次檢查點訓(xùn)練耗費超過 50,000 A800 GPU-小時；團隊從原始數(shù)據(jù)中蒸餾出的包含數(shù)億 token 的高質(zhì)量元數(shù)據(jù)以做訓(xùn)練基石。基于上述優(yōu)勢，Pelican-VL 1.0實現(xiàn)了在基線基礎(chǔ)上性能提升20.3%，平均超過Qwen3-VL系列、InternVL3.5系列等同級別開源模型10.6%。

得益于“刻意練習(xí)”DPPO（Deliberate Practice Policy Optimization）訓(xùn)練范式，Pelican-VL 就像一名刻苦鉆研的學(xué)生：每次訓(xùn)練循環(huán)都會“看視頻—自主練習(xí)—發(fā)現(xiàn)錯誤—糾正提升”。通過DPPO 模仿人類元認知的學(xué)習(xí)方式，通過強化學(xué)習(xí)（RL）探索弱點、生成失敗樣本，再進行有針對性的監(jiān)督微調(diào)（SFT），讓模型不斷自我糾錯和迭代進步。

就像學(xué)生做錯題后總結(jié)經(jīng)驗一樣，Pelican-VL 能在訓(xùn)練中發(fā)現(xiàn)“薄弱知識點”并補齊，從而持續(xù)提高在視覺-語言和具身任務(wù)上的能力。通過這種機制，Pelican-VL 能夠更準(zhǔn)確地理解圖像內(nèi)容、語言指令和物理常識，最終在決策和操作執(zhí)行環(huán)節(jié)中，實現(xiàn)了具身智能在空間-時間推理和動作規(guī)劃方面的大幅突破。

VLM，讓具身擁有智能

人形機器人無疑是目前AI技術(shù)在普通人認知里最具象的展現(xiàn)，而讓機器人真正能夠做到服務(wù)人類，一直都是全球研發(fā)團隊所追求的目標(biāo)，但這并不容易，背后是具身智能體對于空間-時間的理解不足，以及多步驟長線程復(fù)雜決策的能力缺失造成的困境。

在典型的Vision–Language–Action (VLA) 系統(tǒng)里，Pelican-VL 扮演著“視覺語言大腦”的角色，為機器人提供強大的環(huán)境感知和指令理解能力。它將攝像頭所見與自然語言指令結(jié)合，構(gòu)建起對場景的多模態(tài)表征，然后輸出可供后續(xù)決策單元使用的結(jié)構(gòu)化信息。也就是說，Pelican-VL負責(zé)“看圖聽話”，理解指令和環(huán)境，VLA負責(zé)跨機器人應(yīng)用；簡而言之，Pelican-VL 構(gòu)成了VLA系統(tǒng)的認知前端，為長期規(guī)劃和指令執(zhí)行提供跨模態(tài)的信息支持，使機器人能夠像人類一樣將復(fù)雜任務(wù)拆解并落地操作。

而由于端到端VLA直出的模型存在黑箱性，機器人雖然可以理解人類指令，但最終執(zhí)行的動作卻不可控，而分層的模型則是先建模、再規(guī)劃、最后執(zhí)行，雖然解決了黑箱風(fēng)險，但也產(chǎn)生了新的信息傳導(dǎo)誤差問題，信息隨著每一層模型的傳遞，可能會在某一層產(chǎn)生微小誤差，這一誤差會在后續(xù)環(huán)節(jié)呈現(xiàn)指數(shù)級的擴散。

北京人形的解法是讓VLM和世界模型相互糾偏作為大腦，再與VLA等構(gòu)建的技能庫模型協(xié)作。通過將VLM部署在云端，用于理解指令、規(guī)劃任務(wù)與生成策略，世界模型則對物理世界進行建模與預(yù)測，VLM規(guī)劃的策略在世界模型中進行預(yù)演，預(yù)測執(zhí)行策略后的結(jié)果。二者通過反饋機制相互作用，具象化的理解策略的后果，根據(jù)好壞精進能力，VLM能力提升后又反向修正和提升世界模型的預(yù)測準(zhǔn)確性，以此幫助機器人實現(xiàn)能力躍遷的關(guān)鍵。

以下面這個復(fù)合指令為例：“把鞋子放到鞋架上、將桌上的垃圾扔到垃圾桶，再把衣服放入洗衣機”。Pelican-VL 首先將會感知房間物體和布局，構(gòu)建出整個環(huán)境的語義表示；接著根據(jù)指令自動生成行動序列：依次移動到鞋架、垃圾桶和洗衣機位置并進行抓取和放置操作。

作為創(chuàng)造全球首個人形機器人馬拉松冠軍的團隊，北京人形致力于讓具身智能體從最能跑到最聰明、最好用的演進，本次Pelican-VL的開源也代表著北京人形在具身智能領(lǐng)域的又一重大突破。

而Pelican-VL代表了國內(nèi)具身智能的一種端到端解法，它和Google提出的RT-2有著相似特點，都是追求單模型解決感知到執(zhí)行，但不同于RT-2基于PaLM-E、PaLI-X等預(yù)訓(xùn)練模型微調(diào)的思路，Pelican-VL是從零開始構(gòu)建大規(guī)模具身訓(xùn)練集并使用DPPO循環(huán)自我演練，而與SayCan、GPT-5相比，它則更強調(diào)開放性和端到端的控制輸出，為不同機器人提供統(tǒng)一的智能“大腦”解決方案。

因此，Pelican-VL不僅具備目前具身智能大模型里最大的規(guī)模、最強的性能，也能夠幫助人形機器人更好的感知空間-時間、實現(xiàn)具身交互，并且在訓(xùn)練中進行自我糾錯與迭代。

開源當(dāng)天，北京人形進行了直播演示和技術(shù)解讀，邀請了《商業(yè)漫談 Jane’s Talk》創(chuàng)始人、科技媒體人衛(wèi)詩婕與主創(chuàng)成員深度對話，不僅詳細展現(xiàn)了具身智能大腦Pelican-VL全面領(lǐng)先的性能，并拆解Pelican-VL創(chuàng)新的技術(shù)架構(gòu)，還充分展示了女性研發(fā)成員在具身智能模型領(lǐng)域的創(chuàng)新力量。

用“最低”的門檻，激發(fā)“最高”的產(chǎn)業(yè)活力

北京人形希望通過Pelican-VL 的開放為產(chǎn)業(yè)落地提供更良好土壤，讓廣大機器人廠商和開發(fā)者可以自由使用與定制這一模型，加速研發(fā)進程。例如，北京人形機器人創(chuàng)新中心還在推進“千臺機器人真實場景數(shù)據(jù)采集計劃”，讓上千臺機器人在工廠、倉庫、酒店等場景中執(zhí)行任務(wù)并采集數(shù)據(jù)。而這些規(guī)?；亩嗄B(tài)數(shù)據(jù)與Pelican-VL結(jié)合，將推動其在制造業(yè)自動化、智能物流、零售無人化和家居服務(wù)等多領(lǐng)域的快速適配和優(yōu)化。

Pelican-VL 的開源特點和多場景覆蓋能力可以視作機器人生態(tài)的“開放型大腦”，作為具身智能的基礎(chǔ)軟件平臺，廠商可以基于它快速開發(fā)特定場景下的應(yīng)用方案，大大降低開發(fā)成本和難度。長期來看，Pelican-VL 及其后續(xù)版本將促進國內(nèi)形成完善的通用機器人智能平臺，推動更多種類的機器人像安裝“通用智能操作系統(tǒng)”一樣迅速獲取新能力。

Pelican-VL 1.0 的開源標(biāo)志著具身智能進入了一個以數(shù)據(jù)驅(qū)動、開放協(xié)同為核心的新階段。它不僅在技術(shù)上實現(xiàn)了視覺、語言和行動的深度融合，也為產(chǎn)業(yè)鏈帶來了全新的合作模式。隨著更多研究機構(gòu)和企業(yè)參與生態(tài)建設(shè)，北京人形致力于通過通用機器人“大腦”市場的發(fā)展，讓更多機器人在可見的未來中具備“通用智能”、靈活自適應(yīng)的能力。

VLM模型——Pelican-VL 1.0主頁

https://pelican-vl.github.io/

Github

GitHub - Open-X-Humanoid/pelican-vl: Pelican-VL 1.0 is a new family of open-source embodied brain mo

Huggingface

https://huggingface.co/X-Humanoid/Pelican1.0-VL-72B

Modelscope

https://modelscope.cn/models/X-Humanoid/Pelican1.0-VL-72B