X-Humanoid 公開的 Pelican 系列報告，展現了將感知、預測與行動連結起來的具身模型方向。三款模型各有側重：Pelican-VLA 0.5 在預測未來畫面的同時生成動作；Pelican-Sim 1.0 根據機器人動作預測未來觀測；Pelican-Unify 則嘗試把理解、推理、想像與行動整合進同一模型。171844

但這些公開資料並不能證實，完整研究方向——或常被一併提及的特定泛化分類與自我演進策略迴圈——曾在 Zou Shilong 於 10 月舉行的 ROSCon China 主題演講中發表。

公開報告實際說了什麼？

Pelican-VLA 0.5：把感知接上行動

Pelican-VLA 0.5 被描述為統一的視覺—語言—動作（VLA）模型，在同一架構中整合視覺語言理解、未來影格生成與動作預測。44 專案儲存庫指出，模型採用共用的 Qwen3-VL 4B 主幹，並提供跨機器人本體的預訓練檢查點；儲存庫表示，訓練資料約包含 2,400 小時、來源多樣的操作資料。4647

報告也提到模型的注意力表現：在尚未針對特定任務微調前，動作路徑的注意力已會聚焦於指令相關物件及接觸區域。4446 在 RoboTwin 上完成微調後，報告列出的成功率為：RoboTwin Clean 91.4%，RoboTwin Randomized 91.0%。44

這些結果屬於 Pelican-VLA 0.5。它們並不能證實另一項說法——即每項任務在 50 條原始示範上加入 500 條生成軌跡，讓 Pelican-Sim 得到特定成績。

Pelican-Sim 1.0：預測採取動作後會看到什麼

Pelican-Sim 1.0 被定位為世界模型模擬器：根據視覺脈絡與機器人動作，預測未來觀測，以支援後續學習與決策。技術報告描述了同步的數值與視覺動作表示。17

因此，它的定位與 Pelican-VLA 0.5 不同：後者描述的是將感知映射至動作的模型；Pelican-Sim 則著重於以動作為條件，預測之後的觀測。報告支持這項模型定位，但現有證據無法證實主題演講所稱的四層資料策略，也無法驗證「50 條原始示範加 500 條生成軌跡」設定下的詳細成功率結果。17

Pelican-Unify：整合具身理解與生成

Pelican-Unify 1.0 的技術報告將其描述為統一的具身智能模型，涵蓋理解、推理、想像與行動。報告指出，模型以單一視覺語言模型作為統一理解模組，將場景、指令、視覺脈絡與動作歷史映射至共同的語意空間。18

這款模型在 10 月活動前已公開有據可查：其報告帶有 2026 年 5 月的識別資訊，同月也有新聞報導其發布。1824 因此，若「10 月才首次公開」是指當時才第一次對外發布，現有證據並不支持；但資料也無法排除它在會議上首次向該場聽眾介紹的可能性。

三款模型如何互補？

整體來看，三份報告描繪出一套具身學習工具的不同部分：Pelican-VLA 0.5 把視覺語言輸入連結到動作預測與未來影格；Pelican-Sim 1.0 模擬機器人採取動作後的未來觀測；Pelican-Unify 則嘗試整合理解、推理、想像與行動。171844 這是根據各模型公開描述所做的綜合整理，不代表已證實的主題演講順序或正式路線圖。

關於主題演講，哪些內容仍未獲證實？

ROSCon China 2026 官網確認，大會預定於 10 月 16 日至 18 日在上海舉行；但現有議程資料未能證實主題演講的題目、講者、10 月 17 日的時段或演講內容。3

現有來源也無法確認演講中對四種泛化層級——背景、組合、跨域與域外泛化——的確切定義；同樣無法確認所述資料與能力路徑，是否真的從不依賴機器人本體的第一人稱影片、手持 UMI 擷取，延伸至模擬資料、失敗復原資料，再到世界模型推論與回饋式策略迭代。若沒有演講錄影、投影片或詳盡的官方回顧，將這些定義與步驟歸於 Zou Shilong，可能會把未經證實的細節寫成事實。

此外，現有證據也未能證實據稱用來拆解模型視覺與語言依賴程度的表示分析方法、注意力路徑干預及行為測試；也不足以支持長時程失敗復原研究，或一個明確串連模型內展開、策略更新、真實世界驗證與回饋資料的迴圈。

目前最有根據的結論較為審慎：X-Humanoid 的公開報告正在探索如何連結感知、對未來的想像與行動，並以世界模型進行模擬。至於更具體的主題演講路線圖，現有資料仍無法核實。

X-Humanoid 公開的 Pelican 系列報告，展現了將感知、預測與行動連結起來的具身模型方向。三款模型各有側重：Pelican-VLA 0.5 在預測未來畫面的同時生成動作；Pelican-Sim 1.0 根據機器人動作預測未來觀測；Pelican-Unify 則嘗試把理解、推理、想像與行動整合進同一模型。171844

但這些公開資料並不能證實，完整研究方向——或常被一併提及的特定泛化分類與自我演進策略迴圈——曾在 Zou Shilong 於 10 月舉行的 ROSCon China 主題演講中發表。

公開報告實際說了什麼？

Pelican-VLA 0.5：把感知接上行動

Pelican-VLA 0.5 被描述為統一的視覺—語言—動作（VLA）模型，在同一架構中整合視覺語言理解、未來影格生成與動作預測。44 專案儲存庫指出，模型採用共用的 Qwen3-VL 4B 主幹，並提供跨機器人本體的預訓練檢查點；儲存庫表示，訓練資料約包含 2,400 小時、來源多樣的操作資料。4647

報告也提到模型的注意力表現：在尚未針對特定任務微調前，動作路徑的注意力已會聚焦於指令相關物件及接觸區域。4446 在 RoboTwin 上完成微調後，報告列出的成功率為：RoboTwin Clean 91.4%，RoboTwin Randomized 91.0%。44

這些結果屬於 Pelican-VLA 0.5。它們並不能證實另一項說法——即每項任務在 50 條原始示範上加入 500 條生成軌跡，讓 Pelican-Sim 得到特定成績。

Pelican-Sim 1.0：預測採取動作後會看到什麼

Pelican-Sim 1.0 被定位為世界模型模擬器：根據視覺脈絡與機器人動作，預測未來觀測，以支援後續學習與決策。技術報告描述了同步的數值與視覺動作表示。17

因此，它的定位與 Pelican-VLA 0.5 不同：後者描述的是將感知映射至動作的模型；Pelican-Sim 則著重於以動作為條件，預測之後的觀測。報告支持這項模型定位，但現有證據無法證實主題演講所稱的四層資料策略，也無法驗證「50 條原始示範加 500 條生成軌跡」設定下的詳細成功率結果。17

Pelican-Unify：整合具身理解與生成

Pelican-Unify 1.0 的技術報告將其描述為統一的具身智能模型，涵蓋理解、推理、想像與行動。報告指出，模型以單一視覺語言模型作為統一理解模組，將場景、指令、視覺脈絡與動作歷史映射至共同的語意空間。18

這款模型在 10 月活動前已公開有據可查：其報告帶有 2026 年 5 月的識別資訊，同月也有新聞報導其發布。1824 因此，若「10 月才首次公開」是指當時才第一次對外發布，現有證據並不支持；但資料也無法排除它在會議上首次向該場聽眾介紹的可能性。

三款模型如何互補？

整體來看，三份報告描繪出一套具身學習工具的不同部分：Pelican-VLA 0.5 把視覺語言輸入連結到動作預測與未來影格；Pelican-Sim 1.0 模擬機器人採取動作後的未來觀測；Pelican-Unify 則嘗試整合理解、推理、想像與行動。171844 這是根據各模型公開描述所做的綜合整理，不代表已證實的主題演講順序或正式路線圖。

關於主題演講，哪些內容仍未獲證實？

ROSCon China 2026 官網確認，大會預定於 10 月 16 日至 18 日在上海舉行；但現有議程資料未能證實主題演講的題目、講者、10 月 17 日的時段或演講內容。3

現有來源也無法確認演講中對四種泛化層級——背景、組合、跨域與域外泛化——的確切定義；同樣無法確認所述資料與能力路徑，是否真的從不依賴機器人本體的第一人稱影片、手持 UMI 擷取，延伸至模擬資料、失敗復原資料，再到世界模型推論與回饋式策略迭代。若沒有演講錄影、投影片或詳盡的官方回顧，將這些定義與步驟歸於 Zou Shilong，可能會把未經證實的細節寫成事實。

此外，現有證據也未能證實據稱用來拆解模型視覺與語言依賴程度的表示分析方法、注意力路徑干預及行為測試；也不足以支持長時程失敗復原研究，或一個明確串連模型內展開、策略更新、真實世界驗證與回饋資料的迴圈。

目前最有根據的結論較為審慎：X-Humanoid 的公開報告正在探索如何連結感知、對未來的想像與行動，並以世界模型進行模擬。至於更具體的主題演講路線圖，現有資料仍無法核實。