AnswersPublished17 sources
Pelican: tre modelli per collegare percezione, previsione e azione
I tre modelli Pelican affrontano aspetti diversi dell’IA incarnata: generazione di azioni, previsione degli effetti delle azioni e integrazione di comprensione e ragionamento. Pelican VLA 0.5 combina comprensione visivo linguistica, generazione di fotogrammi futuri e previsione delle azioni; dopo il fine tuning su R...
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- I tre modelli Pelican affrontano aspetti diversi dell’IA incarnata: generazione di azioni, previsione degli effetti delle azioni e integrazione di comprensione e ragionamento.
- Pelican VLA 0.5 combina comprensione visivo linguistica, generazione di fotogrammi futuri e previsione delle azioni; dopo il fine tuning su RoboTwin, il rapporto indica successi del 91,4% su RoboTwin Clean e del 91,0%...
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
I rapporti pubblici di X-Humanoid delineano una ricerca sull’intelligenza artificiale incarnata — sistemi progettati per percepire il mondo fisico e agire al suo interno — che mette in relazione percezione, previsione e azione. I tre modelli Pelican hanno funzioni distinte: Pelican-VLA 0.5 genera azioni e fotogrammi futuri, Pelican-Sim 1.0 prevede le osservazioni future a partire dalle azioni del robot, mentre Pelican-Unify punta a riunire comprensione, ragionamento, immaginazione e azione. 17
18
44
Questo quadro emerge dai rapporti tecnici pubblici. Le fonti disponibili, invece, non confermano che l’intera direzione di ricerca — né la tassonomia dei quattro livelli di generalizzazione o il ciclo di politiche auto-evolutive talvolta associati — sia stata presentata nel keynote di Zou Shilong a ROSCon China in ottobre.
Che cosa documentano i rapporti pubblici
Pelican-VLA 0.5: dalla percezione all’azione
Pelican-VLA 0.5 è descritto come un modello visione-linguaggio-azione (VLA) che integra in un’unica architettura comprensione visivo-linguistica, generazione di fotogrammi futuri e previsione delle azioni. 44 Il repository del progetto indica un backbone condiviso Qwen3-VL 4B e un checkpoint preaddestrato per diverse morfologie robotiche; riporta inoltre circa 2.400 ore di dati eterogenei di manipolazione usati per l’addestramento.
46
47
Il rapporto segnala anche un risultato sull’attenzione: prima del fine-tuning specifico per il compito, il percorso che produce le azioni si concentra sull’oggetto e sulla zona di contatto pertinenti all’istruzione. 44
46 Dopo il fine-tuning su RoboTwin, il modello raggiunge un tasso di successo del 91,4% su RoboTwin Clean e del 91,0% su RoboTwin Randomized.
44
Questi risultati riguardano Pelican-VLA 0.5. Non verificano la distinta affermazione secondo cui l’aggiunta, per ogni compito, di 500 traiettorie generate a 50 dimostrazioni originali avrebbe prodotto specifici risultati con Pelican-Sim.
Pelican-Sim 1.0: prevedere che cosa accade dopo un’azione
Pelican-Sim 1.0 è presentato come un simulatore basato su un modello del mondo: dato il contesto visivo e le azioni del robot, prevede osservazioni future per supportare l’apprendimento e le decisioni successive. Il rapporto tecnico descrive rappresentazioni numeriche e visive delle azioni sincronizzate tra loro. 17
La funzione dichiarata è quindi diversa da quella di Pelican-VLA 0.5. Quest’ultimo collega gli input visivo-linguistici alla previsione delle azioni; Pelican-Sim, invece, si concentra sulla previsione di ciò che il robot potrebbe osservare dopo aver agito. Il rapporto documenta questo ruolo, ma le fonti disponibili non confermano né la strategia dei dati in quattro livelli attribuita al keynote né i risultati dettagliati dell’esperimento ipotizzato con 50 dimostrazioni iniziali e 500 traiettorie aggiuntive. 17
Pelican-Unify: unire comprensione e generazione per i robot
Il rapporto tecnico di Pelican-Unify 1.0 descrive un modello di intelligenza incarnata che riunisce comprensione, ragionamento, immaginazione e azione. Secondo il rapporto, un unico modello visione-linguaggio svolge il ruolo di componente unificata per la comprensione, mappando scene, istruzioni, contesto visivo e cronologia delle azioni in uno spazio semantico condiviso. 18
Il modello era già documentato pubblicamente prima dell’evento di ottobre: il rapporto reca un identificativo del maggio 2026 e una notizia dello stesso mese ne descrive la pubblicazione. 18
24 Le fonti non giustificano quindi definirlo appena presentato a ottobre nel senso di una prima divulgazione pubblica. Non escludono, però, che sia stato illustrato per la prima volta a quel pubblico durante la conferenza.
Come si completano i tre modelli
Considerati insieme, i rapporti suggeriscono componenti complementari per l’apprendimento robotico: Pelican-VLA 0.5 collega input visivo-linguistici, azioni previste e fotogrammi futuri; Pelican-Sim 1.0 modella le osservazioni future condizionate dalle azioni del robot; Pelican-Unify mira a integrare comprensione, ragionamento, immaginazione e azione. 17
18
44
È una sintesi delle descrizioni pubblicate dei modelli, non una sequenza di sviluppo o una roadmap che le fonti confermino essere stata annunciata nel keynote.
Che cosa non è possibile attribuire al keynote
Il sito di ROSCon China 2026 indica che la conferenza era in programma a Shanghai dal 16 al 18 ottobre. La scheda disponibile non conferma il titolo del keynote, il relatore, il suo eventuale svolgimento il 17 ottobre o i contenuti dell’intervento. 3
Le fonti non confermano neppure le definizioni precise dei quattro livelli di generalizzazione attribuiti al discorso — di sfondo, composizionale, tra morfologie robotiche e fuori distribuzione — né la presunta strategia articolata in quattro fasi: video in prima persona senza un corpo robotico e riprese UMI da dispositivo portatile, dati simulati o generati, dati di recupero dagli errori e iterazione delle politiche guidata dal feedback. Senza registrazione, slide o resoconto ufficiale dettagliato, attribuire a Zou Shilong queste definizioni e questi passaggi significherebbe presentare come certi elementi non verificati.
Non risultano confermati nemmeno i metodi di analisi delle rappresentazioni, gli interventi sui percorsi di attenzione e i test comportamentali che sarebbero serviti a distinguere il peso dei segnali visivi da quello del linguaggio. Le fonti non documentano inoltre il lavoro proposto sul recupero da errori in compiti di lunga durata, né uno specifico ciclo che colleghi simulazioni interne al modello, aggiornamenti delle politiche, verifiche nel mondo reale e raccolta di feedback.
La conclusione più solida è più circoscritta: i rapporti pubblici di X-Humanoid esplorano modi per collegare percezione, scenari futuri immaginati e azione, affiancandoli alla simulazione tramite modelli del mondo. La roadmap più dettagliata attribuita al keynote resta da verificare sulla base delle fonti disponibili.
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 "Pelican: tre modelli per collegare percezione, previsione e azione"?
I tre modelli Pelican affrontano aspetti diversi dell’IA incarnata: generazione di azioni, previsione degli effetti delle azioni e integrazione di comprensione e ragionamento.
What are the key points to validate first?
I tre modelli Pelican affrontano aspetti diversi dell’IA incarnata: generazione di azioni, previsione degli effetti delle azioni e integrazione di comprensione e ragionamento. Pelican VLA 0.5 combina comprensione visivo linguistica, generazione di fotogrammi futuri e previsione delle azioni; dopo il fine tuning su RoboTwin, il rapporto indica successi del 91,4% su RoboTwin Clean e del 91,0%...
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