X-Humanoid公开的Pelican系列资料，展现了一条将感知、对未来的预测和行动联系起来的具身智能研究方向。三款模型各有侧重：Pelican-VLA 0.5在同一架构中结合理解、未来画面生成与动作预测；Pelican-Sim 1.0根据机器人动作预测后续观测；Pelican-Unify则尝试把理解、推理、想象与行动整合起来。171844

不过，现有资料不足以确认这套完整研究路线，以及有时与之并提的四级泛化分类和策略自进化闭环，是否在邹世龙于10月举行的ROSCon China主题演讲中提出。

三款模型分别做什么？

Pelican-VLA 0.5：让理解与动作衔接

VLA是“视觉—语言—动作”（Vision-Language-Action）的缩写。Pelican-VLA 0.5被描述为统一的VLA模型，在一个架构中结合视觉语言理解、未来画面生成和动作预测。44

项目仓库显示，它采用共享的Qwen3-VL 4B骨干模型，并提供跨本体预训练检查点；仓库还称，模型使用约2,400小时的异构操作数据训练。4647

报告提到，在进行任务专属微调前，模型的动作路径注意力已能聚焦于指令相关物体及接触区域。4446在RoboTwin上微调后，报告给出的成功率为：RoboTwin Clean 91.4%，RoboTwin Randomized 91.0%。44

这些结果针对Pelican-VLA 0.5，并不能证明另一项说法——每个任务将50条原始示范与500条生成轨迹结合后，Pelican-Sim取得了特定成绩。

Pelican-Sim 1.0：预测动作之后会看到什么

Pelican-Sim 1.0被定位为具身智能世界模型仿真器：它根据视觉上下文和机器人动作预测未来观测，目标是支持后续学习与决策。技术报告还描述了数值与视觉动作表示的同步机制。17

因此，它与Pelican-VLA 0.5的侧重点不同：前者强调在给定动作条件下预测未来观测，后者则把感知理解、未来画面生成和动作预测放进同一模型描述中。现有报告支持这种功能定位，但不能证实主题演讲中所称的四层数据策略，也无法核实“50条示范加500条生成轨迹”方案对应的详细成功率。17

Pelican-Unify：尝试整合多种具身能力

Pelican-Unify 1.0的技术报告将其描述为面向理解、推理、想象与行动的统一具身智能模型。报告称，模型以单一视觉语言模型作为统一理解模块，将场景、指令、视觉上下文和动作历史映射到共享语义空间。18

这款模型在10月活动之前已有公开记录：相关技术报告标注为2026年5月，另有同月新闻报道其发布。1824因此，现有证据不支持说它直到10月才首次公开；但不排除它是在会议上首次向该场合的听众介绍。

三款模型如何拼出整体图景？

合起来看，这些公开描述展现了一个由不同模块补足的具身学习工具箱：Pelican-VLA 0.5连接视觉语言输入、动作预测和未来画面生成；Pelican-Sim 1.0模拟机器人采取动作后可能出现的观测；Pelican-Unify则试图统一理解、推理、想象与行动。171844

这是对模型公开描述的归纳，并不等于已经证实的演讲顺序或官方路线图。

关于主题演讲，还有哪些内容无法核实？

ROSCon China 2026官网确认，大会计划于10月16日至18日在上海举行；但现有会议资料无法确认主题演讲的标题、演讲者、10月17日的具体场次或演讲内容。3

同样，现有来源无法确认演讲是否将泛化划分为背景、组合、跨域和域外四个层级，也无法核实从不依赖机器人本体的第一人称视频、手持式UMI采集，到仿真或生成数据、失败恢复数据，再到世界模型推演和反馈驱动策略迭代的具体路径。缺少演讲录像、幻灯片或详细官方回顾时，将这些定义和步骤归于邹世龙并不稳妥。

目前也没有足够证据核实所谓的表征分析、注意力路径干预和行为测试，是否被用于区分模型对视觉与语言信号的依赖；关于长时序失败恢复，以及连接模型内推演、策略更新、真实环境验证和反馈数据的具体闭环，也无法从现有资料中确认。

**目前最有把握的结论是：**X-Humanoid公开的Pelican研究正在探索如何把感知、未来预测与行动联系起来，并以世界模型仿真支持学习。至于主题演讲中更详细的路线图，依据现有证据仍无法核实。

X-Humanoid公开的Pelican系列资料，展现了一条将感知、对未来的预测和行动联系起来的具身智能研究方向。三款模型各有侧重：Pelican-VLA 0.5在同一架构中结合理解、未来画面生成与动作预测；Pelican-Sim 1.0根据机器人动作预测后续观测；Pelican-Unify则尝试把理解、推理、想象与行动整合起来。171844

不过，现有资料不足以确认这套完整研究路线，以及有时与之并提的四级泛化分类和策略自进化闭环，是否在邹世龙于10月举行的ROSCon China主题演讲中提出。

三款模型分别做什么？

Pelican-VLA 0.5：让理解与动作衔接

VLA是“视觉—语言—动作”（Vision-Language-Action）的缩写。Pelican-VLA 0.5被描述为统一的VLA模型，在一个架构中结合视觉语言理解、未来画面生成和动作预测。44

项目仓库显示，它采用共享的Qwen3-VL 4B骨干模型，并提供跨本体预训练检查点；仓库还称，模型使用约2,400小时的异构操作数据训练。4647

报告提到，在进行任务专属微调前，模型的动作路径注意力已能聚焦于指令相关物体及接触区域。4446在RoboTwin上微调后，报告给出的成功率为：RoboTwin Clean 91.4%，RoboTwin Randomized 91.0%。44

这些结果针对Pelican-VLA 0.5，并不能证明另一项说法——每个任务将50条原始示范与500条生成轨迹结合后，Pelican-Sim取得了特定成绩。

Pelican-Sim 1.0：预测动作之后会看到什么

Pelican-Sim 1.0被定位为具身智能世界模型仿真器：它根据视觉上下文和机器人动作预测未来观测，目标是支持后续学习与决策。技术报告还描述了数值与视觉动作表示的同步机制。17

因此，它与Pelican-VLA 0.5的侧重点不同：前者强调在给定动作条件下预测未来观测，后者则把感知理解、未来画面生成和动作预测放进同一模型描述中。现有报告支持这种功能定位，但不能证实主题演讲中所称的四层数据策略，也无法核实“50条示范加500条生成轨迹”方案对应的详细成功率。17

Pelican-Unify：尝试整合多种具身能力

Pelican-Unify 1.0的技术报告将其描述为面向理解、推理、想象与行动的统一具身智能模型。报告称，模型以单一视觉语言模型作为统一理解模块，将场景、指令、视觉上下文和动作历史映射到共享语义空间。18

这款模型在10月活动之前已有公开记录：相关技术报告标注为2026年5月，另有同月新闻报道其发布。1824因此，现有证据不支持说它直到10月才首次公开；但不排除它是在会议上首次向该场合的听众介绍。

三款模型如何拼出整体图景？

合起来看，这些公开描述展现了一个由不同模块补足的具身学习工具箱：Pelican-VLA 0.5连接视觉语言输入、动作预测和未来画面生成；Pelican-Sim 1.0模拟机器人采取动作后可能出现的观测；Pelican-Unify则试图统一理解、推理、想象与行动。171844

这是对模型公开描述的归纳，并不等于已经证实的演讲顺序或官方路线图。

关于主题演讲，还有哪些内容无法核实？

ROSCon China 2026官网确认，大会计划于10月16日至18日在上海举行；但现有会议资料无法确认主题演讲的标题、演讲者、10月17日的具体场次或演讲内容。3

同样，现有来源无法确认演讲是否将泛化划分为背景、组合、跨域和域外四个层级，也无法核实从不依赖机器人本体的第一人称视频、手持式UMI采集，到仿真或生成数据、失败恢复数据，再到世界模型推演和反馈驱动策略迭代的具体路径。缺少演讲录像、幻灯片或详细官方回顾时，将这些定义和步骤归于邹世龙并不稳妥。

目前也没有足够证据核实所谓的表征分析、注意力路径干预和行为测试，是否被用于区分模型对视觉与语言信号的依赖；关于长时序失败恢复，以及连接模型内推演、策略更新、真实环境验证和反馈数据的具体闭环，也无法从现有资料中确认。

**目前最有把握的结论是：**X-Humanoid公开的Pelican研究正在探索如何把感知、未来预测与行动联系起来，并以世界模型仿真支持学习。至于主题演讲中更详细的路线图，依据现有证据仍无法核实。