AnswersPublished17 sources
Tre Pelican-modeller peker mot mer samlet robotintelligens
De offentlige rapportene beskriver tre ulike, men utfyllende roller: Pelican VLA 0.5 kobler visuell språkforståelse til handling, Pelican Sim 1.0 modellerer framtidige observasjoner, og Pelican Unify samler forståelse... Pelican VLA 0.5 rapporterer 91,4 prosent suksess på RoboTwin Clean og 91,0 prosent på RoboTwin R...
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- De offentlige rapportene beskriver tre ulike, men utfyllende roller: Pelican VLA 0.5 kobler visuell språkforståelse til handling, Pelican Sim 1.0 modellerer framtidige observasjoner, og Pelican Unify samler forståelse...
- Pelican VLA 0.5 rapporterer 91,4 prosent suksess på RoboTwin Clean og 91,0 prosent på RoboTwin Randomized etter finjustering.
- Kildene bekrefter ikke den detaljerte veikartplanen eller de fire generaliseringsnivåene som er knyttet til Zou Shilongs foredrag på ROSCon China.
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
De offentlige rapportene om X-Humanoids Pelican-modeller peker mot KI for roboter der persepsjon, prediksjon og handling ses i sammenheng. Modellene har likevel forskjellige roller: Pelican-VLA 0.5 lager handlinger og framtidige bilderammer, Pelican-Sim 1.0 predikerer framtidige observasjoner ut fra robotens handlinger, mens Pelican-Unify samler forståelse, resonnering, forestilling og handling i én modell. 17
18
44
Det er viktig å skille mellom det som står i de offentlige rapportene, og det som eventuelt ble presentert på en konferanse. Kildene som er tilgjengelige her, bekrefter ikke at hele denne forskningsretningen – eller en bestemt inndeling av generalisering og en selvutviklende læringssløyfe – ble lagt fram i Zou Shilongs hovedinnlegg på ROSCon China i oktober.
Hva de offentlige rapportene viser
Pelican-VLA 0.5: fra syn til handling
Pelican-VLA 0.5 beskrives som en samlet vision-language-action-modell (VLA) som kombinerer visuell språkforståelse, generering av framtidige bilderammer og prediksjon av handlinger i én arkitektur. 44 Prosjektets repositorium oppgir at modellen bruker en felles Qwen3-VL 4B-grunnmodell og har et forhåndstrent kontrollpunkt for flere robottyper. Der rapporteres det også om trening på rundt 2 400 timer med varierte data fra manipulasjonsoppgaver.
46
47
Rapporten trekker fram et resultat knyttet til oppmerksomhet: Før oppgavespesifikk finjustering retter modellens handlingsbane oppmerksomheten mot objektet og kontaktområdet som er relevant for instruksjonen. 44
46 Etter finjustering på RoboTwin oppgir rapporten en suksessrate på 91,4 prosent på RoboTwin Clean og 91,0 prosent på RoboTwin Randomized.
44
Dette gjelder Pelican-VLA 0.5. Det bekrefter ikke den separate påstanden om at 500 genererte baner lagt til 50 opprinnelige demonstrasjoner per oppgave ga bestemte resultater for Pelican-Sim.
Pelican-Sim 1.0: å forutsi hva som skjer etter en handling
Pelican-Sim 1.0 presenteres som en verdensmodell-simulator som predikerer framtidige observasjoner ut fra visuell kontekst og robotens handlinger. Målet er å støtte videre læring og beslutningstaking. Den tekniske rapporten beskriver synkroniserte numeriske og visuelle representasjoner av handlinger. 17
Rollen er dermed en annen enn for Pelican-VLA 0.5. Mens VLA-modellen kobler persepsjon til handling, er Pelican-Sim rettet mot å forutsi hva roboten vil observere etter en gitt handling. Rapporten dokumenterer denne modellrollen, men materialet som er tilgjengelig her, bekrefter ikke den påståtte firelagsstrategien for data eller de konkrete resultatene fra oppsettet med 50 pluss 500 baner. 17
Pelican-Unify: å samle forståelse og handling
Den tekniske rapporten beskriver Pelican-Unify 1.0 som en samlet modell for kroppslig intelligens, med forståelse, resonnering, forestilling og handling. Ifølge rapporten fungerer én vision-language-modell som en felles forståelseskomponent. Den oversetter scener, instruksjoner, visuell kontekst og handlingshistorikk til et felles semantisk rom. 18
Modellen var offentlig dokumentert før oktoberarrangementet: Rapporten har en identifikator fra mai 2026, og en nyhetsartikkel fra samme måned omtaler lanseringen. 18
24 Kildene gir derfor ikke grunnlag for å si at Pelican-Unify først ble offentliggjort i oktober. Det utelukker ikke at modellen kan ha blitt presentert på nytt eller diskutert med konferansepublikummet.
Slik utfyller modellene hverandre
Sett under ett beskriver rapportene ulike deler av et verktøysett for læring i roboter: Pelican-VLA 0.5 kobler visuelle og språklige inntrykk til handlinger og framtidige bilderammer; Pelican-Sim 1.0 modellerer framtidige observasjoner gitt robotens handlinger; og Pelican-Unify søker å samle forståelse, resonnering, forestilling og handling. 17
18
44
Dette er en sammenfatning av modellbeskrivelsene som er publisert – ikke en bekreftet rekkefølge eller veikartplan fra hovedinnlegget.
Dette er fortsatt ubekreftet om konferanseinnlegget
Nettsiden for ROSCon China 2026 oppgir at konferansen var planlagt arrangert i Shanghai fra 16. til 18. oktober. Den tilgjengelige konferanseoversikten bekrefter ikke tittelen på hovedinnlegget, hvem som skulle holde det, om det var satt opp 17. oktober, eller hva innlegget inneholdt. 3
Kildene bekrefter heller ikke de nøyaktige definisjonene som skal ha blitt gitt for fire generaliseringsnivåer: bakgrunns-, komposisjonell, kryss- og utenforfordelingsgeneralisering. Det samme gjelder den påståtte utviklingslinjen fra førstepersonsvideo uten robotkropp og håndholdt UMI-opptak, via simulerte eller genererte data og data om feilretting, til verdensmodellbasert inferens og policyoppdatering med tilbakemeldinger. Uten opptak, lysbilder eller en detaljert offisiell oppsummering ville det være risikabelt å tilskrive Zou Shilong disse detaljene som fakta.
Det dokumenterte materialet bekrefter heller ikke de omtalte metodene for å analysere representasjoner, inngrep i oppmerksomhetsbaner eller atferdstester for å finne ut hvor mye modellene bygger på visuelle signaler og språk. Det underbygger heller ikke den foreslåtte satsingen på feilretting over lange handlingsforløp eller en konkret læringssløyfe som kobler simulering i modellen, policyoppdateringer, testing i den virkelige verden og nye tilbakemeldingsdata.
Den best underbygde konklusjonen er derfor mer avgrenset: X-Humanoids offentlige rapporter undersøker hvordan persepsjon, forestilte framtidige situasjoner og handling kan kobles sammen, og hvordan simulering med en verdensmodell kan støtte læringen. Den mer detaljerte veikartplanen fra konferanseinnlegget er ikke bekreftet av kildene som er tilgjengelige her.
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 peker mot mer samlet robotintelligens"?
De offentlige rapportene beskriver tre ulike, men utfyllende roller: Pelican VLA 0.5 kobler visuell språkforståelse til handling, Pelican Sim 1.0 modellerer framtidige observasjoner, og Pelican Unify samler forståelse...
What are the key points to validate first?
De offentlige rapportene beskriver tre ulike, men utfyllende roller: Pelican VLA 0.5 kobler visuell språkforståelse til handling, Pelican Sim 1.0 modellerer framtidige observasjoner, og Pelican Unify samler forståelse... Pelican VLA 0.5 rapporterer 91,4 prosent suksess på RoboTwin Clean og 91,0 prosent på RoboTwin Randomized etter finjustering.
What should I do next in practice?
Kildene bekrefter ikke den detaljerte veikartplanen eller de fire generaliseringsnivåene som er knyttet til Zou Shilongs foredrag på ROSCon China.
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