11 月 14 日消息，北京人形机器人创新中心昨晚宣布全面开源具身智能 VLM 模型 ——Pelican-VL 1.0。
从官方介绍获悉，该模型覆盖 7B、72B 参数规模，是迄今为止“最大规模的开源具身多模态大模型”，同时，也是迄今为止全球性能最强大的具身智能 VLM 模型。根据测试，其性能超越 GPT-5 同类模型 15.79% ，与 Google gemini 系列模型相比提升 19.25%，同时也超越通义千问、书生万象等国内模型，成为了目前最强的开源具身多模态大模型。
文章称，该团队还提出了一套全新的 DPPO（刻意训练）训练范式，是全球首创的具身多模态大模型后训练自进化算法框架。凭借 DPPO，Pelican-VL 实现‘性能最强’这一目标使用的数据量为 200K，仅仅是其他大模型的 1/10 甚至 1/50，是名副其实的开源 VLM 性价比之王。
Pelican-VL 1.0 的开源，能够大幅提升具身智能在商业服务、工业泛工业、高危特种作业、家庭服务等多种真实场景中，通过视觉-语言感知辅助多步任务规划的能力。而 VLM 作为目前实现机器人全自主的核心，Pelican 的开源也将推动我国具身智能全自主发展。
本次开源的 Pelican-VL 1.0 的核心优势在于深度整合海量数据与自适应学习机制，在由 1000+ A800 GPU 组成的集群上训练，单次检查点训练耗费超过 50,000 A800 GPU-小时；团队从原始数据中蒸馏出的包含数亿 token 的高质量元数据以做训练基石。基于上述优势，Pelican-VL 1.0 实现了在基线基础上性能提升 20.3%，平均超过 Qwen3-VL 系列、InternVL3.5 系列等同级别开源模型 10.6%。
得益于“刻意练习”DPPO（Deliberate Practice Policy Optimization）训练范式，Pelican-VL 就像一名刻苦钻研的学生：每次训练循环都会“看视频 — 自主练习 — 发现错误 — 纠正提升”。通过 DPPO 模仿人类元认知的学习方式，通过强化学习（RL）探索弱点、生成失败样本，再进行有针对性地监督微调（SFT），让模型不断自我纠错和迭代进步。
就像学生做错题后总结经验一样，Pelican-VL 能在训练中发现“薄弱知识点”并补齐，从而持续提高在视觉-语言和具身任务上的能力。通过这种机制，Pelican-VL 能够更准确地理解图像内容、语言指令和物理常识，最终在决策和操作执行环节中，实现了具身智能在空间-时间推理和动作规划方面的大幅突破。
