北京人形开源最新VLM模型，推动具身智能再迈关键一步 !

梦瑶
2025-11-14
13:05:29

来源：量子位

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，是迄今为止“最大规模的开源具身多模态大模型”，同时，也是迄今为止全球性能最强大的具身智能VLM模型，根据测试，其性能超越GPT-5 同类模型15.79% ，与Google gemini 系列模型相比提升19.25%，同时也超越通义千问、书生万象等国内模型，成为了目前最强的开源具身多模态大模型 。

另外值得注意的是，Pelican-VL的核心主创团队都是由女性组成，这也充分体现了女性力量在我国科技研发中的重要贡献。该团队还提出了一套全新的DPPO（刻意训练）训练范式，是全球首创的具身多模态大模型后训练自进化算法框架。凭借DPPO，Pelican-VL 实现【性能最强】这一目标使用的数据量为200K，仅仅是其他大模型的1/10甚至1/50，是名副其实的开源VLM性价比之王。

Pelican-VL 1.0 的开源，能够大幅提升具身智能在商业服务、工业泛工业、高危特种作业、家庭服务等多种真实场景中，通过视觉-语言感知辅助多步任务规划的能力。而VLM作为目前实现机器人全自主的核心，Pelican的开源也将推动我国具身智能全自主发展。

本次开源的Pelican-VL 1.0的核心优势在于深度整合海量数据与自适应学习机制，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的包含数亿 token 的高质量元数据以做训练基石。基于上述优势，Pelican-VL 1.0实现了在基线基础上性能提升20.3%，平均超过Qwen3-VL系列、InternVL3.5系列等同级别开源模型10.6%。

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。

VLM，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；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。

而由于端到端VLA直出的模型存在黑箱性，机器人虽然可以理解人类指令，但最终执行的动作却不可控，而分层的模型则是先建模、再规划、最后执行，虽然解决了黑箱风险，但也产生了新的信息传导误差问题，信息随着每一层模型的传递，可能会在某一层产生微小误差，这一误差会在后续环节呈现指数级的扩散。

北京人形的解法是让VLM和世界模型相互纠偏作为大脑，再与VLA等构建的技能库模型协作。通过将VLM部署在云端，用于理解指令、规划任务与生成策略，世界模型则对物理世界进行建模与预测，VLM规划的策略在世界模型中进行预演，预测执行策略后的结果。二者通过反馈机制相互作用，具象化的理解策略的后果，根据好坏精进能力，VLM能力提升后又反向修正和提升世界模型的预测准确性，以此帮助机器人实现能力跃迁的关键。

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 首先将会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。

作为创造全球首个人形机器人马拉松冠军的团队，北京人形致力于让具身智能体从最能跑到最聪明、最好用的演进，本次Pelican-VL的开源也代表着北京人形在具身智能领域的又一重大突破。

而Pelican-VL代表了国内具身智能的一种端到端解法，它和Google提出的RT-2有着相似特点，都是追求单模型解决感知到执行，但不同于RT-2基于PaLM-E、PaLI-X等预训练模型微调的思路，Pelican-VL是从零开始构建大规模具身训练集并使用DPPO循环自我演练，而与SayCan、GPT-5相比，它则更强调开放性和端到端的控制输出，为不同机器人提供统一的智能“大脑”解决方案。

因此，Pelican-VL不仅具备目前具身智能大模型里最大的规模、最强的性能，也能够帮助人形机器人更好的感知空间-时间、实现具身交互，并且在训练中进行自我纠错与迭代。

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

北京人形希望通过Pelican-VL 的开放为产业落地提供更良好土壤，让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。而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。

Pelican-VL 的开源特点和多场景覆盖能力可以视作机器人生态的“开放型大脑”，作为具身智能的基础软件平台，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。

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，北京人形致力于通过通用机器人“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。

VLM模型——Pelican-VL 1.0主页

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

Read More