X-Humanoid 公開的 Pelican 系列報告，描繪出一個把感知、預測和行動連起來的具身 AI 方向。三款模型各有不同角色：Pelican-VLA 0.5 同時生成動作和未來畫面；Pelican-Sim 1.0 根據機械人動作預測未來觀察；Pelican-Unify 則嘗試統合理解、推理、想像和行動。171844 不過，現有資料未能證實這套完整研究方向，或坊間有時一併提及的泛化分類和自我演進策略循環，曾在 Zou Shilong 於 10 月的 ROSCon China 主題演講中發表。

公開報告實際披露了甚麼？

Pelican-VLA 0.5：由看懂指令到產生動作

報告將 Pelican-VLA 0.5 描述為一款統一的視覺語言動作模型，在同一架構內整合視覺語言理解、未來畫面生成和動作預測。44 專案程式庫指，模型採用共用的 Qwen3-VL 4B 主幹，並提供跨機械人本體的預訓練檢查點；程式庫亦稱，訓練使用約 2,400 小時、來源各異的操作數據。4647

報告亦提到一項注意力觀察：在進行特定任務微調之前，模型的動作路徑已會集中注意指令相關物件及接觸位置。4446 報告列出的 RoboTwin 測試結果，則是在微調後於 Clean 測試取得 91.4% 成功率，於 Randomized 測試取得 91.0%。44

要留意，這些結果屬於 Pelican-VLA 0.5。它們並不能證實另一項獨立說法：即每項任務加入 500 條生成軌跡、配合 50 條原始示範數據後，Pelican-Sim 會有特定成績。

Pelican-Sim 1.0：預測行動之後會看到甚麼

Pelican-Sim 1.0 被定位為世界模型模擬器，根據視覺上下文和機械人動作預測未來觀察，目標是支援後續學習和決策。技術報告提到，模型以同步的數值和視覺表示來描述動作。17

它的定位與 Pelican-VLA 0.5 不同：Pelican-VLA 0.5 著重把感知資訊連到動作預測；Pelican-Sim 則聚焦於根據動作推演未來觀察。報告支持這種模型分工，但現有證據未能證實主題演講所稱的四層數據策略，亦未能核實以「50 條原始示範加 500 條生成軌跡」進行實驗的詳細成功率。17

Pelican-Unify：把理解、推理、想像和行動放在一起

Pelican-Unify 1.0 的技術報告將它描述為一款統一具身智能模型，涵蓋理解、推理、想像和行動。報告稱，模型以單一視覺語言模型作為統一理解模組，把場景、指令、視覺上下文和動作歷史映射至共同的語義空間。18

這款模型在 10 月活動之前已經有公開記錄：相關報告標示為 2026 年 5 月，亦有同月新聞報道其發布。1824 因此，現有資料不支持說 Pelican-Unify 到 10 月才首次公開；但仍不能排除它是在該場會議上首次向現場聽眾介紹。

三款模型如何互相配合？

綜合各份公開報告，這三款模型像是具身學習工具組中的不同部分：Pelican-VLA 0.5 把視覺語言輸入、動作預測和未來畫面連起來；Pelican-Sim 1.0 根據機械人動作模擬未來觀察；Pelican-Unify 則嘗試統合理解、推理、想像和行動。171844 這是根據已公開模型描述作出的整理，並不代表有證據顯示它們曾在主題演講中被宣布為一套發展次序或正式路線圖。

主題演講哪些內容仍未能核實？

ROSCon China 2026 網站確認，大會原定於 10 月 16 至 18 日在上海舉行；但現有大會資料未能確認主題演講的題目、講者、10 月 17 日的場次安排或演講內容。3

現有資料亦未能確認演講中所稱的四級泛化——背景、組合、跨域和域外泛化——各自如何定義；亦未能核實由無需機械人本體的第一身影片、手持式 UMI 擷取，到模擬或生成數據、失敗復原數據，再到世界模型推演和以回饋迭代策略的詳細流程。若沒有演講錄影、簡報或詳盡的官方回顧，把這些定義和步驟歸於 Zou Shilong，便有機會把未獲證實的內容當成事實。

同樣地，現有證據未能證實演講有否提出用表徵分析、注意力路徑介入和行為測試，去分辨模型依賴視覺或語言訊號的程度；亦未能支持有關長時序失敗復原研究，或一套連結模型內推演、策略更新、真實世界驗證和回饋數據的具體循環。

目前較穩妥的結論是：X-Humanoid 的公開報告正在探索如何連結感知、對未來的模擬和行動，並研究以世界模型支援學習。至於更具體的主題演講路線圖，現有資料仍不足以核實。

X-Humanoid 公開的 Pelican 系列報告，描繪出一個把感知、預測和行動連起來的具身 AI 方向。三款模型各有不同角色：Pelican-VLA 0.5 同時生成動作和未來畫面；Pelican-Sim 1.0 根據機械人動作預測未來觀察；Pelican-Unify 則嘗試統合理解、推理、想像和行動。171844 不過，現有資料未能證實這套完整研究方向，或坊間有時一併提及的泛化分類和自我演進策略循環，曾在 Zou Shilong 於 10 月的 ROSCon China 主題演講中發表。

公開報告實際披露了甚麼？

Pelican-VLA 0.5：由看懂指令到產生動作

報告將 Pelican-VLA 0.5 描述為一款統一的視覺語言動作模型，在同一架構內整合視覺語言理解、未來畫面生成和動作預測。44 專案程式庫指，模型採用共用的 Qwen3-VL 4B 主幹，並提供跨機械人本體的預訓練檢查點；程式庫亦稱，訓練使用約 2,400 小時、來源各異的操作數據。4647

報告亦提到一項注意力觀察：在進行特定任務微調之前，模型的動作路徑已會集中注意指令相關物件及接觸位置。4446 報告列出的 RoboTwin 測試結果，則是在微調後於 Clean 測試取得 91.4% 成功率，於 Randomized 測試取得 91.0%。44

要留意，這些結果屬於 Pelican-VLA 0.5。它們並不能證實另一項獨立說法：即每項任務加入 500 條生成軌跡、配合 50 條原始示範數據後，Pelican-Sim 會有特定成績。

Pelican-Sim 1.0：預測行動之後會看到甚麼

Pelican-Sim 1.0 被定位為世界模型模擬器，根據視覺上下文和機械人動作預測未來觀察，目標是支援後續學習和決策。技術報告提到，模型以同步的數值和視覺表示來描述動作。17

它的定位與 Pelican-VLA 0.5 不同：Pelican-VLA 0.5 著重把感知資訊連到動作預測；Pelican-Sim 則聚焦於根據動作推演未來觀察。報告支持這種模型分工，但現有證據未能證實主題演講所稱的四層數據策略，亦未能核實以「50 條原始示範加 500 條生成軌跡」進行實驗的詳細成功率。17

Pelican-Unify：把理解、推理、想像和行動放在一起

Pelican-Unify 1.0 的技術報告將它描述為一款統一具身智能模型，涵蓋理解、推理、想像和行動。報告稱，模型以單一視覺語言模型作為統一理解模組，把場景、指令、視覺上下文和動作歷史映射至共同的語義空間。18

這款模型在 10 月活動之前已經有公開記錄：相關報告標示為 2026 年 5 月，亦有同月新聞報道其發布。1824 因此，現有資料不支持說 Pelican-Unify 到 10 月才首次公開；但仍不能排除它是在該場會議上首次向現場聽眾介紹。

三款模型如何互相配合？

綜合各份公開報告，這三款模型像是具身學習工具組中的不同部分：Pelican-VLA 0.5 把視覺語言輸入、動作預測和未來畫面連起來；Pelican-Sim 1.0 根據機械人動作模擬未來觀察；Pelican-Unify 則嘗試統合理解、推理、想像和行動。171844 這是根據已公開模型描述作出的整理，並不代表有證據顯示它們曾在主題演講中被宣布為一套發展次序或正式路線圖。

主題演講哪些內容仍未能核實？

ROSCon China 2026 網站確認，大會原定於 10 月 16 至 18 日在上海舉行；但現有大會資料未能確認主題演講的題目、講者、10 月 17 日的場次安排或演講內容。3

現有資料亦未能確認演講中所稱的四級泛化——背景、組合、跨域和域外泛化——各自如何定義；亦未能核實由無需機械人本體的第一身影片、手持式 UMI 擷取，到模擬或生成數據、失敗復原數據，再到世界模型推演和以回饋迭代策略的詳細流程。若沒有演講錄影、簡報或詳盡的官方回顧，把這些定義和步驟歸於 Zou Shilong，便有機會把未獲證實的內容當成事實。

同樣地，現有證據未能證實演講有否提出用表徵分析、注意力路徑介入和行為測試，去分辨模型依賴視覺或語言訊號的程度；亦未能支持有關長時序失敗復原研究，或一套連結模型內推演、策略更新、真實世界驗證和回饋數據的具體循環。

目前較穩妥的結論是：X-Humanoid 的公開報告正在探索如何連結感知、對未來的模擬和行動，並研究以世界模型支援學習。至於更具體的主題演講路線圖，現有資料仍不足以核實。