AnswersPublished17 sources
Tre Pelican-modeller, én ambition: robotter, der kan forstå, forudsige og handle
X Humanoids Pelican rapporter beskriver beslægtede, men forskellige tilgange til robotstyring, simulering af verden og kropsliggjort intelligens. Pelican VLA 0.5 kombinerer visuel og sproglig forståelse med generering af fremtidige videobilleder og forudsigelse af handlinger.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- X Humanoids Pelican rapporter beskriver beslægtede, men forskellige tilgange til robotstyring, simulering af verden og kropsliggjort intelligens.
- Pelican VLA 0.5 kombinerer visuel og sproglig forståelse med generering af fremtidige videobilleder og forudsigelse af handlinger.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What roadmap did the Beijing Innovation Center of Humanoid Robotics (X-Humanoid) present through world model lead Zou Shilong’s “Exploring U. Article summary: The available evidence supports X-Humanoid’s broader direction: combining visual-language understanding, imagined future observations, and action generation in unified embodied models, with a world-model simulator suppor. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
X-Humanoids offentlige rapporter tegner et billede af kropsliggjort AI, hvor forståelse, forudsigelse og handling kobles tættere sammen. De beskriver tre modeller med forskellige roller: Pelican-VLA 0.5 forudsiger handlinger og fremtidige videobilleder, Pelican-Sim 1.0 forudsiger, hvad en robot vil observere efter bestemte handlinger, og Pelican-Unify samler forståelse, ræsonnement, forestillingsevne og handling i én model. 17
18
44
Det er dog ikke det samme som dokumentation for, at hele denne retning – eller en bestemt taksonomi for generalisering og en selvudviklende læringssløjfe – blev præsenteret i Zou Shilongs keynote på ROSCon China i oktober.
Hvad de offentlige rapporter viser
Pelican-VLA 0.5: Fra syn og sprog til handling
Pelican-VLA 0.5 beskrives som en samlet vision-language-action-model (VLA), der kombinerer visuel og sproglig forståelse, generering af fremtidige videobilleder og forudsigelse af handlinger i én arkitektur. 44 Projektets repository angiver, at modellen bruger en fælles Qwen3-VL 4B-rygrad og indeholder et checkpoint, der er fortrænet på tværs af robottyper. Ifølge repository’et bygger træningen på cirka 2.400 timers forskelligartede data om robotmanipulation.
46
47
Rapporten fremhæver også et resultat om modellens opmærksomhed: før opgavespecifik finjustering retter modellens handlingsdel sin opmærksomhed mod det objekt og det kontaktområde, der er relevant for instruktionen. 44
46 Efter finjustering på RoboTwin rapporterer undersøgelsen succesrater på 91,4 % i RoboTwin Clean og 91,0 % i RoboTwin Randomized.
44
Disse resultater gælder Pelican-VLA 0.5. De bekræfter ikke den særskilte påstand om, at 500 genererede baner oven i 50 oprindelige demonstrationer pr. opgave gav bestemte resultater for Pelican-Sim.
Pelican-Sim 1.0: Forudsig, hvad robotten vil se efter en handling
Pelican-Sim 1.0 præsenteres som en verdensmodel-simulator, der forudsiger fremtidige observationer ud fra visuel kontekst og robothandlinger. Formålet er at understøtte efterfølgende læring og beslutningstagning. Den tekniske rapport beskriver synkroniserede numeriske og visuelle repræsentationer af handlinger. 17
Modellens beskrevne rolle adskiller sig dermed fra Pelican-VLA 0.5: Hvor VLA-modellen kobler input til handling, fokuserer Pelican-Sim på at forudsige fremtidige observationer på baggrund af handlinger. Rapporten understøtter denne beskrivelse, men den dokumenterer ikke keynote’ens påståede datastrategi i fire lag eller detaljerede succesrater for et setup med 50 oprindelige og 500 genererede baner pr. opgave. 17
Pelican-Unify: Saml forståelse og handling
Den tekniske rapport beskriver Pelican-Unify 1.0 som en samlet model for kropsliggjort intelligens, der skal håndtere forståelse, ræsonnement, forestillingsevne og handling. Ifølge rapporten fungerer én vision-language-model som en fælles forståelseskomponent, der mapper scener, instruktioner, visuel kontekst og tidligere handlinger ind i et fælles semantisk rum. 18
Modellen var offentligt beskrevet før oktoberbegivenheden: rapporten har en identifikation fra maj 2026, og en nyhedsartikel fra samme måned omtaler offentliggørelsen. 18
24 Kilderne understøtter derfor ikke, at Pelican-Unify først blev offentliggjort i oktober. Det udelukker ikke, at modellen blev præsenteret for et nyt publikum på konferencen.
Sådan supplerer modellerne hinanden
Samlet peger rapporterne på forskellige dele af et værktøjssæt til robotlæring: Pelican-VLA 0.5 forbinder visuelle og sproglige input med forudsagte handlinger og fremtidige videobilleder; Pelican-Sim 1.0 modellerer fremtidige observationer efter robothandlinger; og Pelican-Unify sigter mod at samle forståelse, ræsonnement, forestillingsevne og handling. 17
18
44
Det er en sammenfatning af modellernes offentliggjorte beskrivelser – ikke en bekræftet rækkefølge eller køreplan fra keynoten.
Hvad der stadig er ubekræftet om keynoten
ROSCon China 2026’s hjemmeside oplyser, at konferencen var planlagt til 16.-18. oktober i Shanghai. Den tilgængelige programoversigt bekræfter ikke keynote’ens titel, taler, placering den 17. oktober eller indhold. 3
De tilgængelige kilder bekræfter heller ikke keynotens præcise definitioner af de fire foreslåede generaliseringsniveauer – baggrund, kompositionel, på tværs og uden for træningsdomænet. De dokumenterer heller ikke den beskrevne udvikling fra førstepersonsvideo uden fast robotkrop og håndholdt UMI-optagelse til simulerede data, data om fejlhåndtering og politikforbedring via feedback. Uden en optagelse, præsentationsslides eller en detaljeret officiel opsummering ville det være risikabelt at tilskrive Zou Shilong disse detaljer som fakta.
Tilsvarende dokumenterer kilderne ikke de påståede metoder til repræsentationsanalyse, indgreb i modellens opmærksomhedsveje eller adfærdstests, der skulle afdække dens afhængighed af visuelle og sproglige signaler. De bekræfter heller ikke det foreslåede arbejde med fejlhåndtering over lange handlingsforløb eller en konkret læringssløjfe, der forbinder simulering i modellen, opdatering af politikker, afprøvning i den virkelige verden og nye feedbackdata.
Den bedst underbyggede konklusion er derfor mere afgrænset: X-Humanoids offentlige rapporter undersøger, hvordan robotter kan koble perception, forestillinger om fremtidige situationer og handling – blandt andet ved hjælp af verdensmodelsimulering. Den mere detaljerede køreplan fra keynoten kan ikke bekræftes ud fra de tilgængelige kilder.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Tre Pelican-modeller, én ambition: robotter, der kan forstå, forudsige og handle"?
X Humanoids Pelican rapporter beskriver beslægtede, men forskellige tilgange til robotstyring, simulering af verden og kropsliggjort intelligens.
What are the key points to validate first?
X Humanoids Pelican rapporter beskriver beslægtede, men forskellige tilgange til robotstyring, simulering af verden og kropsliggjort intelligens. Pelican VLA 0.5 kombinerer visuel og sproglig forståelse med generering af fremtidige videobilleder og forudsigelse af handlinger.
Sources
arxiv.orgPelican-Sim 1.0: A General World Model Simulator for Embodied ...
github.comreadme.md - Pelican-VLA 0.5
huggingface.coREADME.md · X-Humanoid/Pelican-VLA05 at 5623cf1629aae870b973025a675e4534adc44d83