11 月 14 日消息，北京人形機(jī)器人創(chuàng)新中心昨晚宣布全面開源具身智能 VLM 模型 ——Pelican-VL 1.0。

IT之家從官方介紹獲悉，該模型覆蓋 7B、72B 參數(shù)規(guī)模，是迄今為止“最大規(guī)模的開源具身多模態(tài)大模型”，同時，也是迄今為止全球性能最強(qiáng)大的具身智能 VLM 模型。根據(jù)測試，其性能超越 GPT-5 同類模型 15.79% ，與 Google gemini 系列模型相比提升 19.25%，同時也超越通義千問、書生萬象等國內(nèi)模型，成為了目前最強(qiáng)的開源具身多模態(tài)大模型。

文章稱，該團(tuán)隊(duì)還提出了一套全新的 DPPO（刻意訓(xùn)練）訓(xùn)練范式，是全球首創(chuàng)的具身多模態(tài)大模型后訓(xùn)練自進(jìn)化算法框架。憑借 DPPO，Pelican-VL 實(shí)現(xiàn)‘性能最強(qiáng)’這一目標(biāo)使用的數(shù)據(jù)量為 200K，僅僅是其他大模型的 1/10 甚至 1/50，是名副其實(shí)的開源 VLM 性價比之王。

Pelican-VL 1.0 的開源，能夠大幅提升具身智能在商業(yè)服務(wù)、工業(yè)泛工業(yè)、高危特種作業(yè)、家庭服務(wù)等多種真實(shí)場景中，通過視覺-語言感知輔助多步任務(wù)規(guī)劃的能力。而 VLM 作為目前實(shí)現(xiàn)機(jī)器人全自主的核心，Pelican 的開源也將推動我國具身智能全自主發(fā)展。

本次開源的 Pelican-VL 1.0 的核心優(yōu)勢在于深度整合海量數(shù)據(jù)與自適應(yīng)學(xué)習(xí)機(jī)制，在由 1000+ A800 GPU 組成的集群上訓(xùn)練，單次檢查點(diǎn)訓(xùn)練耗費(fèi)超過 50,000 A800 GPU-小時；團(tuán)隊(duì)從原始數(shù)據(jù)中蒸餾出的包含數(shù)億 token 的高質(zhì)量元數(shù)據(jù)以做訓(xùn)練基石?；谏鲜鰞?yōu)勢，Pelican-VL 1.0 實(shí)現(xiàn)了在基線基礎(chǔ)上性能提升 20.3%，平均超過 Qwen3-VL 系列、InternVL3.5 系列等同級別開源模型 10.6%。

得益于“刻意練習(xí)”DPPO（Deliberate Practice Policy Optimization）訓(xùn)練范式，Pelican-VL 就像一名刻苦鉆研的學(xué)生：每次訓(xùn)練循環(huán)都會“看視頻 — 自主練習(xí) — 發(fā)現(xiàn)錯誤 — 糾正提升”。通過 DPPO 模仿人類元認(rèn)知的學(xué)習(xí)方式，通過強(qiáng)化學(xué)習(xí)（RL）探索弱點(diǎn)、生成失敗樣本，再進(jìn)行有針對性地監(jiān)督微調(diào)（SFT），讓模型不斷自我糾錯和迭代進(jìn)步。

就像學(xué)生做錯題后總結(jié)經(jīng)驗(yàn)一樣，Pelican-VL 能在訓(xùn)練中發(fā)現(xiàn)“薄弱知識點(diǎn)”并補(bǔ)齊，從而持續(xù)提高在視覺-語言和具身任務(wù)上的能力。通過這種機(jī)制，Pelican-VL 能夠更準(zhǔn)確地理解圖像內(nèi)容、語言指令和物理常識，最終在決策和操作執(zhí)行環(huán)節(jié)中，實(shí)現(xiàn)了具身智能在空間-時間推理和動作規(guī)劃方面的大幅突破。