国产具身大模型登顶全球！Pelican-VL性能超越GPT-5 15.79%

2025年11月13日，北京人形机器人创新中心扔下一颗“技术核弹”——正式开源具身智能多模态大模型 Pelican-VL 1.0。

这不是又一个普通的大模型发布，而是一次真正意义上的国产突破：参数规模覆盖7B到72B，训练动用超1000块A800 GPU，单次检查点耗时超5万GPU小时，性能不仅碾压同级别开源模型，甚至在多项具身任务上超越GPT-5、Gemini等闭源巨头。

更关键的是——它完全开源。

代码、权重、推理框架全部开放，意味着全球开发者都能免费使用这个“机器人通用大脑”。

一夜之间，中国在具身智能赛道，从追赶者变成了领跑者。

什么是Pelican-VL？不只是VLM，更是机器人的“行动中枢”

Pelican-VL 1.0被官方称为“最大规模的开源具身多模态大脑模型”。但它的意义远不止参数数字。

传统视觉语言模型（VLM）擅长“看图说话”——给你一张照片，它能描述内容；给你一段指令，它能生成图像。

但Pelican-VL的目标是“看图做事”。

当人类说“把红苹果放进竹篮”，它不仅要识别“红苹果”和“竹篮”的位置，还要判断：

苹果是否易碎？需轻拿轻放；

篮子开口朝哪？手该从哪个角度伸入；

如果第一次没对准，如何微调手腕姿态？

这种从“感知”到“决策”再到“动作规划”的全链路能力，才是真正的具身智能（Embodied Intelligence）。

Pelican-VL正是为此而生。

DPPO训练法：让AI学会“刻意练习”，像人类一样复盘进步

Pelican-VL之所以强大，核心在于其独创的 DPPO（Deliberate Practice Policy Optimization）训练范式。

想象一个学生做数学题：第一次做错，老师指出错误，他总结经验，下次同类题型就能答对。DPPO正是模拟这一过程。

训练分为两个阶段循环进行：

第一阶段：强化学习（RL）发现弱点

模型在模拟环境中执行任务，系统自动记录失败案例——比如抓取滑落、路径碰撞、指令误解。通过多样化奖励机制，模型“意识到”自己在哪类场景下表现不佳。

第二阶段：监督微调（SFT）针对性补强

团队将这些失败样本与高质量成功案例混合，重新训练模型。如同老师给学生整理“错题本”，让AI在薄弱环节反复练习，直至掌握。

整个过程通过难度感知采样和滚动日志记录实现闭环迭代。

结果？

模型在保持通用能力的同时，具身任务性能提升20.3%，远超基线。

这种“自我纠错+持续进化”的机制，让Pelican-VL具备了类似人类的元认知能力——不仅能完成任务，还能反思“为什么没做好”。

三大核心能力：让机器人真正“活”在物理世界中

Pelican-VL的强大，体现在三个维度的深度融合：

多模态理解与推理

它处理的不只是静态图像，而是包含时间维度的视频流。

在厨房场景中，它能分辨“切菜板上的番茄”和“冰箱里的番茄”，并根据任务动态调整操作策略。

空间-时间认知

得益于数万小时视频训练，模型能理解动作的先后逻辑。

例如：“先移开挡路的牛奶盒，再拿后面的咖啡杯”——这种常识性规划，正是当前多数AI缺失的。

具身交互与泛化

最惊艳的是其零样本操作能力。

面对从未见过的物体（如软质海绵、充气气球），Pelican-VL能基于物理常识预测抓取力度，并生成安全操作路径。

测试显示，它在“轻柔抓取”任务中，显著优于现有开源模型。

更令人振奋的是，它还能实现长程任务分解。

面对“请把鞋放到鞋架、垃圾扔进垃圾桶、脏衣服放进洗衣机”这样的复合指令，模型会自动拆解为多个子任务，依次执行并反馈进度——这已接近人类助理的水平。

开源即赋能：降低90%研发门槛，加速产业落地

Pelican-VL的真正革命性，在于开源策略。

过去，具身智能研发门槛极高：企业需自建数据集、训练集群、部署框架，动辄投入数千万。而如今，任何团队只需：

下载Pelican-VL 7B或72B模型；

接入自家机器人硬件；

用少量场景数据微调。

几天内，就能拥有一个具备高级空间推理与操作能力的“机器人大脑”。

官方已在Hugging Face、ModelScope、GitHub同步开放全部资源，并提供LoRA微调脚本。

这意味着高校实验室、创业公司甚至个人开发者，都能站在巨人肩膀上快速验证想法。

正如一位业内人士所言：“以前我们是在黑暗中摸索造轮子，现在Pelican-VL直接给了我们一辆车。”