北京智源开源Pelican-VL 1.0：刷新多模态模型性能 benchmark

11月14日，北京人形机器人创新中心正式宣布全面开源其具身智能视觉语言模型Pelican-VL 1.0。

根据最新发布的技术资料显示，该模型提供70亿与720亿两种参数规模选择，成为目前开源社区中参数规模最大的具身多模态大模型。同时，Pelican-VL在综合性能表现上已超越同类型国际主流模型，根据多维度基准测试结果，其性能较GPT-5同类模型提升15.79%，与Google Gemini系列模型相比提升19.25%，同时也超过了通义千问、书生万象等国内主流模型，堪称当前最强开源具身多模态大模型。

研发团队还首创了一套名为DPPO的刻意训练范式，这是全球首个专为具身多模态大模型设计的后训练自进化算法框架。借助这一创新方法，Pelican-VL仅使用20万数据量就实现了“性能最强”的目标，这个数据量仅为其他大模型的十分之一甚至五十分之一，当之无愧地成为开源视觉语言模型中性价比最高的代表。

Pelican-VL 1.0的开源发布，将显著提升具身智能在商业服务、工业制造、高危特种作业、家庭服务等多种实际应用场景中的表现。该模型通过视觉与语言感知相结合，能够有效辅助多步骤任务规划。视觉语言模型作为实现机器人全自主运作的核心技术，Pelican的开源将有力推动我国具身智能技术的自主化发展进程。

本次开源的Pelican-VL 1.0核心优势在于深度整合海量数据与自适应学习机制。该模型在由超过1000块A800 GPU组成的计算集群上进行训练，单次检查点训练消耗超过5万A800 GPU小时。团队从原始数据中提炼出包含数十亿token的高质量元数据作为训练基石，基于这些技术积累，Pelican-VL 1.0在基线基础上实现了20.3%的性能提升，平均超越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训练范式，Pelican-VL的学习过程恰如一位刻苦钻研的学生：每个训练循环都遵循“观看视频-自主练习-发现错误-纠正提升”的迭代过程。通过模拟人类元认知的学习方式，结合强化学习探索模型弱点并生成失败样本，再进行有针对性的监督微调，使模型在持续自我纠错中不断进步。

正如学生在做错题后总结经验一样，Pelican-VL能在训练过程中发现“薄弱知识点”并及时补强，从而持续提升在视觉-语言与具身任务上的综合能力。借助这一机制，Pelican-VL能够更准确地理解图像内容、语言指令和物理常识，最终在决策与操作执行环节实现了具身智能在时空推理与动作规划方面的重要突破。