AnswersPublished17 sources
Tre Pelican-modeller – tre pusselbitar för robotars intelligens
Pelican VLA 0.5 kopplar samman språk och bildförståelse med förutsägelser om framtida bildrutor och robotrörelser. Pelican Sim 1.0 förutsäger framtida observationer utifrån visuellt sammanhang och robotens handlingar, medan Pelican Unify samlar förståelse, resonemang, föreställningsförmåga och handling i en modell.
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- Pelican VLA 0.5 kopplar samman språk och bildförståelse med förutsägelser om framtida bildrutor och robotrörelser.
- Pelican Sim 1.0 förutsäger framtida observationer utifrån visuellt sammanhang och robotens handlingar, medan Pelican Unify samlar förståelse, resonemang, föreställningsförmåga och handling i en modell.
- Källorna belägger inte den detaljerade färdplanen eller de specifika data och träningsupplägg som uppges ha presenterats i ett ROSCon China tal.
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 offentliga rapporter om Pelican pekar mot embodied AI-modeller som knyter ihop perception, förutsägelser och handling. De beskriver tre besläktade men olika roller: Pelican-VLA 0.5 förutspår handlingar och framtida bildrutor, Pelican-Sim 1.0 förutspår framtida observationer utifrån robotens handlingar, och Pelican-Unify samlar förståelse, resonemang, föreställningsförmåga och handling i en modell. 17
18
44
Däremot bekräftar det tillgängliga underlaget inte att hela denna forskningsinriktning – eller den mer specifika taxonomi för generalisering och självlärande policyloop som ibland kopplas till den – presenterades i Zou Shilongs huvudanförande vid ROSCon China i oktober.
Vad de offentliga rapporterna visar
Pelican-VLA 0.5: från synintryck till handling
Pelican-VLA 0.5 beskrivs som en samlad vision-language-action-modell, alltså en modell som integrerar bild- och språkförståelse, generering av framtida bildrutor och förutsägelse av handlingar i en och samma arkitektur. 44 Projektets kodförråd anger att modellen använder en gemensam Qwen3-VL 4B-bas och omfattar en förtränad kontrollpunkt avsedd för flera robotkroppar. Där uppges också att modellen tränats på omkring 2 400 timmar heterogena data för robotmanipulation.
46
47
Rapporten beskriver även ett resultat kopplat till modellens uppmärksamhet: före uppgiftsspecifik finjustering riktar handlingsdelen fokus mot det föremål och det kontaktområde som instruktionen gäller. 44
46 Efter finjustering på RoboTwin redovisar rapporten en framgångsgrad på 91,4 procent i RoboTwin Clean och 91,0 procent i RoboTwin Randomized.
44
Resultaten gäller Pelican-VLA 0.5. De bekräftar inte det separata påståendet att 500 genererade banor utöver 50 ursprungliga demonstrationer per uppgift gav vissa resultat för Pelican-Sim.
Pelican-Sim 1.0: förutsäga vad som händer efter en handling
Pelican-Sim 1.0 presenteras som en simulator baserad på en världsmodell. Den förutsäger framtida observationer utifrån visuellt sammanhang och robotens handlingar, med målet att stödja fortsatt inlärning och beslutsfattande. Den tekniska rapporten beskriver synkroniserade numeriska och visuella representationer av handlingar. 17
Modellens uttalade uppgift skiljer sig därmed från Pelican-VLA 0.5: i stället för att beskrivas som en modell som direkt kopplar perception till handling fokuserar Pelican-Sim på att förutsäga framtida observationer givet handlingar. Rapporten stöder den beskrivningen, men underlaget styrker inte att talet presenterade en fyrdelad datastrategi eller de detaljerade framgångsresultat som kopplats till upplägget med 50 plus 500 banor. 17
Pelican-Unify: förena förståelse och generering
I sin tekniska rapport beskrivs Pelican-Unify 1.0 som en modell för embodied intelligence som förenar förståelse, resonemang, föreställningsförmåga och handling. Enligt rapporten fungerar en enda vision-language-modell som en gemensam förståelsekomponent och mappar scener, instruktioner, visuellt sammanhang och tidigare handlingar till ett gemensamt semantiskt rum. 18
Modellen hade beskrivits offentligt före oktoberevenemanget: rapporten har en identifierare från maj 2026, och en nyhetsrapport från samma månad beskriver lanseringen. 18
24 Underlaget räcker därför inte för att säga att Pelican-Unify först presenterades offentligt i oktober. Det utesluter däremot inte att modellen då togs upp på nytt eller presenterades för konferenspubliken.
Så kompletterar modellerna varandra
Sammantaget tecknar rapporterna en bild av tre kompletterande delar i ett verktyg för embodied learning: Pelican-VLA 0.5 kopplar visuella och språkliga indata till förutsägelser om handlingar och framtida bildrutor; Pelican-Sim 1.0 modellerar framtida observationer utifrån robotens handlingar; och Pelican-Unify strävar efter att förena förståelse, resonemang, föreställningsförmåga och handling. 17
18
44 Det är en sammanvägning av modellernas publicerade beskrivningar – inte en bekräftad ordningsföljd eller färdplan från huvudanförandet.
Det här är fortfarande obekräftat om talet
ROSCon Chinas webbplats anger att konferensen var planerad till den 16–18 oktober i Shanghai. Den tillgängliga konferensinformationen fastställer inte huvudanförandets titel, talare, tid den 17 oktober eller innehåll. 3
Källorna bekräftar inte heller talets exakta definitioner av de fyra föreslagna nivåerna för generalisering: bakgrund, kompositionell, mellan olika robotar och utanför träningsdomänen. Inte heller den uppgivna utvecklingskedjan – från förstapersonsvideo utan robotkropp och handhållen UMI-inspelning, via simulerade data och data om misslyckanden och återhämtning, till inferens med världsmodeller och återkopplad policyutveckling – går att verifiera här. Utan en inspelning, presentation eller utförlig officiell sammanfattning finns en risk att sådana detaljer felaktigt tillskrivs Zou Shilong.
Underlaget styrker inte heller de påstådda metoderna för representationsanalys, ingrepp i uppmärksamhetsvägar eller beteendetester för att särskilja hur modellen använder syn- respektive språksignaler. Det belägger inte heller det föreslagna arbetet med återhämtning efter långvariga misslyckanden eller en specifik återkopplingsloop mellan simuleringar i modellen, policyuppdateringar, tester i verkligheten och nya data.
Den säkraste slutsatsen är därför mer avgränsad: X-Humanoids offentliga rapporter undersöker hur perception, föreställda framtida förlopp och handling kan kopplas samman, parallellt med simulering med världsmodeller. Den mer detaljerade färdplan som tillskrivs ROSCon China-presentationen är inte verifierad i det tillgängliga materialet.
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 – tre pusselbitar för robotars intelligens"?
Pelican VLA 0.5 kopplar samman språk och bildförståelse med förutsägelser om framtida bildrutor och robotrörelser.
What are the key points to validate first?
Pelican VLA 0.5 kopplar samman språk och bildförståelse med förutsägelser om framtida bildrutor och robotrörelser. Pelican Sim 1.0 förutsäger framtida observationer utifrån visuellt sammanhang och robotens handlingar, medan Pelican Unify samlar förståelse, resonemang, föreställningsförmåga och handling i en modell.
What should I do next in practice?
Källorna belägger inte den detaljerade färdplanen eller de specifika data och träningsupplägg som uppges ha presenterats i ett ROSCon China tal.
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