機器之心發布

機器之心編輯部

最近，國內具身智能的開源 VLM 登頂了行業之巔。2025 年以來，具身智能的行業研發力似乎也迎來了井噴式爆發。

11 月 13 日，北京人形機器人創新中心正式開源了具身智能 VLM 模型 ——Pelican-VL 1.0，根據介紹，該模型覆蓋 7B、72B 參數規模，被稱為 “最大規模的開源具身多模態大腦模型”。

項目鏈接：https://pelican-vl.github.io/Github：https://github.com/Open-X-Humanoid/pelican-vlHuggingface：https://huggingface.co/collections/X-Humanoid/pelican-vl-10Modelscope：https://modelscope.cn/collections/Pelican10-VL-1036b65bbdfe46

官方資料顯示，其核心優勢在于深度整合海量數據與自適應學習機制：并在由 1000+ A800 GPU 組成的集群上訓練，單次檢查點訓練耗費超過 50,000 A800 GPU - 小時；團隊從原始數據中蒸餾出包含數億 token 的高質量元數據以做訓練基石。在基線基礎上性能提升 20.3%，超過同級別開源模型 10.6%。根據測試，其平均性能超越 GPT-5 和 Google gemini 等閉源系列模型，成為了目前最強具身性能的開源多模態大模型 。

DPPO 造就 “VLM 快速高效提升”

簡單來說，Pelican-VL 就像一名刻苦鉆研的學生：每次訓練循環都會 “看視頻 — 自主練習 — 發現錯誤 — 糾正提升”，這得益于北京人形開創性的運用了 “刻意練習” DPPO（Deliberate Practice Policy Optimization）訓練范式。

DPPO 模仿人類元認知的學習方式，通過強化學習（RL）探索弱點、生成失敗樣本，再進行有針對性的監督微調（SFT），讓模型不斷自我糾錯和迭代進步。正如學生做錯題后總結經驗一樣，Pelican-VL 能在訓練中發現 “薄弱知識點” 并補齊，從而持續提高在視覺 - 語言和具身任務上的能力。通過這種機制，模型能夠更準確地理解圖像內容、語言指令和物理常識，在空間 - 時間推理和動作規劃方面實現突破。更具體的如圖所示，DPPO 框架包含兩個主要階段：強化學習（RL）和監督微調（SFT）。首先在 RL 階段通過多樣化獎勵機制和難度過濾，自動發現模型薄弱點，并對能力進行快速提升。之后進入 SFT 階段，針對弱點數據進行知識擴展與模式對齊，通過蒸餾和數據構建進一步鞏固模型能力。整個過程通過難度感知采樣與滾動日志記錄，實現 RL 與 SFT 的迭代循環，使得模型既能快速學習新技能，又能保持穩定性與全面性。

同時，憑借 DPPO，Pelican-VL 實現，成為同類具身模型性能最強。在以下具身特定能力方面大幅得到了提升：

多模態理解與推理能力：Pelican-VL 同時處理視覺和文本輸入，訓練時使用了海量圖像、視頻及跨模態標注數據。它不僅能準確識別物體，還能基于場景進行物理推理、空間關系理解和功能預測。例如，在封閉廚房或商超場景中，它能夠分辨果蔬擺放、柜臺位置等，并據此規劃取物和放置動作。空間 - 時間認知：模型訓練包含數萬小時的視頻和動態場景問答，使其具備了連續時序的理解能力。在處理視頻幀時，Pelican-VL 能捕捉物體移動、操作步驟的時間先后關系，從而對復雜連貫的任務序列做出合理推斷，比如判斷 “先搬動哪個物品再操作下一個”。具身交互能力：在諸如物體抓取、導航、協作等機器人任務中，Pelican-VL 不僅能理解任務目標，還能輸出細化的動作步驟和評估每步可行性。這意味著它在看到指令后，可以設計出機器人關節的移動軌跡、抓取點和操作策略。其多任務能力覆蓋抓取、導航、人機交互等不同應用場景，體現出跨任務的強大泛化性。自我糾錯與迭代學習：借助 DPPO 循環訓練，Pelican-VL 具有 “自我糾錯” 特質。每輪強化學習后，模型都會自動生成新的難題樣本并進行再訓練，如同不斷練習和復盤。隨著訓練的進行，它的弱點被逐步修補，能力不斷提升。這一過程類似 “刻意練習” 的學習范式，使得 Pelican-VL 在迭代中持續進步并達到與頂級閉源系統持平的表現。

開源 “大腦”，加速產業落地

這些改進并非紙上談兵。北京人形團隊在多項真實的具身任務上給出評測：在接觸豐富的觸覺操控（例如需要調整握力以抓取軟物體）上，Pelican-VL 成功實現了閉環預測與實時調節；在以 “可供性（affordance）” 為核心的物體搬取策略中，模型能零樣本生成可行的操作方案；在長程任務規劃方面，一個統一大腦也能協調多臺機器人完成級聯任務。總體上，論文報告稱相較基線模型，在空間理解和時間推理等能力上出現顯著提升，并在若干公開基準上超過了部分 100B 量級的開源系統，甚至接近一些閉源模型的水平。

同時，團隊還在九個維度的具身智能分類體系中，對 Pelican-VL 的各項技能進行了評測，如下雷達圖分布顯示，各項指標均勻、均衡且在關鍵維度上表現突出。

粗體數字和帶下劃線的數字分別表示最佳結果和次佳結果。符號 “?” 標記的結果與官方報告存在差異或異常偏低，這可能是因為官方評估采用了模型專屬提示詞（模型對提示詞較為敏感），而本研究的結果是在統一實驗方案下獲得的，以確保對比的公平性。星號 “*” 表示結果來源于官方渠道。黃色單元格標記的是本文提出的 Pelican-VL 1.0 模型。

對產業與研究界而言，Pelican-VL 有兩層現實意義：一它提供了一套 “視覺理解 → 長期規劃→物理操作 ” 串聯的可復用訓練范式，降低了在機器人中使用 VLM 的門檻；二是團隊選擇開源基礎模型和推理代碼，意味著其他實驗室或企業可以在這個 “腦” 上做定制化訓練，加速落地探索。

北京人形團隊也在討論中指出，盡管取得進步，但高質量具身數據的稀缺性、評測基準的局限以及如何安全、可靠地在人類環境中部署仍是下一步需要直面的挑戰。

讀者如果想把這則研究的影響具象化：想象家里的助手機器人不僅能識別碗盤在哪兒，還能判斷 “這個杯子能用來拿湯嗎？”、“這個蘋果該怎樣輕拿輕放才不擠壞？” 并在實際失敗后自己學會改進 ——Pelican-VL 正是在朝這個方向邁出一大步。

國際模型對比：技術路線與應用場景

Pelican-VL 代表了國內具身智能的一種端到端解法，與國外一些知名模型在策略和場景上各有側重。

對于國外 AI 大廠：

英偉達團隊在 25 年 3 月提出來 Cosmos-Reason1 是 NVIDIA 發布的專為物理智能（Physical AI）打造的多模態大模型，包含 8B 和 56B 兩種尺寸。模型在空間、時間和基礎物理三大常識范疇下，融合視覺與文本信息，具備強大的物理常識推理和具身推理能力。采用 ViT-300M 視覺編碼器、Mamba-MLP-Transformer 主干，以及多階段訓練流程（包括視覺預訓練、通用與物理智能 SFT、強化學習），配合 1 億級多模態樣本和千萬級具身與物理常識數據。在物理推理、空間認知等多項基準測試上遠超現有主流模型，并開源了權重與代碼。

Google 的 embodied reasoning 以 Gemini Robotics-ER 模型為代表，核心目標是讓 AI 能夠在真實物理環境中理解、規劃并做出決策，主要應用于機器人領域。Gemini Robotics-ER 具備多模態推理能力，能夠處理物體檢測、空間理解、抓取預測和三維軌跡規劃等任務，并將視覺感知轉化為機器人可執行的高階指令。模型支持多步規劃和環境反饋動態調整，利用如 ERQA 數據集等基準評估其現實任務能力。此外，Google 探索 “內心獨白” 機制，讓機器人在動態環境下能自我思考、實時調整，實現高魯棒性的具身智能。相關技術已集成于 Google AI Studio、Gemini API 和 Vertex AI，為自動化生產、導航、操作等機器人實際應用提供支持。

而 GPT-5 是通用視覺 - 語言大模型同樣具備強大的圖像理解和跨模態推理能力，但它們原本并非專為物理執行而設計。GPT-5 可以回答視覺問題、生成圖像描述，但缺少與機器人硬件對接的控制層。

相比國外閉源模型，Pelican-VL 在國內開源模型基礎上進行預訓練，利用少量的數據和訓練資源，即達到了相當的性能，甚至更好的性能，整體數據利用率達到了其他模型的 10 倍～50 倍。另外，因為 Pelican-VL 是開源的模型，可以賦能國內外具身行業。此外，在國內 Pelican-VL 也是性能最好的具身智能模型，相比于國內同類模型，平均提升了 10%+ 的性能。

結語

從搭建 “具身天工” 和 “慧思開物” 這一硬一軟的通用平臺開始，再到如今，以算法推動行業研發、以數據利用率加速模型迭代、以開源策略為產業落地夯實基礎，北京人形似乎都在以一個更宏觀的視角在探索具身智能的這條道路。這種 “平臺 + 生態” 的布局，或許也將促進打破技術閉環與數據孤島，更讓具身智能從實驗室的單點突破，走向產業鏈協同的規模化發展。

當越來越多企業借助開源工具降低研發門檻，當真實場景數據持續反哺模型進化，具身智能或許能真正加速滲透工業、家庭、物流等多元場景，最終讓機器人真正具備 “感知 - 思考 - 行動” 的通用能力。