全球最强性能，北京人形开源天工“视觉语言大脑”
发布时间：2025-11-18
信息来源：北京亦庄微信公众号
字体：
大
中
小
打印
发布时间：2025-11-18
信息来源：北京亦庄微信公众号
如何让人形机器人天工“长眼会动脑”的能力复制推广到更多机器人？11月13日，北京人形机器人创新中心全面开源具身智能VLM（视觉-语言）模型——Pelican-VL 1.0。该模型相当于人形机器人天工的“视觉语言大脑”，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”，也是目前全球性能最强的具身智能VLM模型。
当前，实现“让机器人服务人类”这一目标，还面临具身智能体对“空间-时间”理解不足、多步骤长线程复杂决策能力缺失等挑战。在机器人典型的“视觉-语言-行动”系统里，Pelican-VL扮演着“视觉语言大脑”的角色，负责“看图听话”，让机器人理解指令和环境，使其能像人类一样将复杂任务拆解并落地操作。
Pelican-VL发布现场。北京人形机器人创新中心/供图
“把鞋子放到鞋架上、将桌上的垃圾扔到垃圾桶，再把衣服放入洗衣机”——比如，当人类向天工发出这样一连串指令，Pelican-VL就能感知房间物体和布局，构建出整个环境的语义表示，然后根据指令自动生成行动序列，指挥机器人依次完成移动、抓取、放置等任务。
为了实现这一突破，Pelican-VL的核心主创团队提出一套全新的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。该框架能让Pelican-VL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”，并在这样的循环中不断自我纠错和迭代进步。这使得Pelican-VL仅用其他大模型的1/10甚至1/50的数据量，便实现“性能最强”的目标。
根据测试，Pelican-VL 1.0在具身智能领域的性能超越GPT-5同类模型15.79%，与Google gemini系列模型相比提升19.25%，成为目前最强的开源具身多模态大模型。
Pelican-VL 1.0的开源，不仅代表着北京人形机器人在具身智能领域的又一重大突破，也能帮助更多人形机器人更好的感知空间-时间、实现具身交互。作为具身智能的基础软件平台，Pelican-VL 1.0的开源将以“开放型大脑”的方式，让各厂商基于它快速开发特定场景下的应用方案，大大降低开发成本和难度。从商业服务、工业制造，到高危作业、家庭服务等多种真实场景，更多机器人将在其助力下具备灵活自适应、多步规划的能力。
北京人形机器人新中心于2023年11月在北京经开区成立以来，依托区内完善的研发场地、测试环境及产业配套支持，已打造了通用硬件平台“具身天工”和通用软件平台“慧思开物”，并基于此推动具身智能从“能跑”到“聪明和好用”的突破，在区内举办的全球首个人形机器人半程马拉松赛事中，北京人形机器人新中心“天工Ultra”人形机器人夺得冠军。此次Pelican-VL 1.0的开源，不仅是技术突破，也是生态布局的又一落子。随着政策与场景等协同推进，北京亦庄正赋能软硬协同攻关、二次开发等领域，加快推动具身智能机器人创新发展，抢占全球机器人产业制高点。
相关人物
