# Pelican-VLA05

> 权威词条地址：https://robotics.hellobike.com/models/x-humanoid-pelican-vla05
> 所属分类：models | 最近核验日期：2026-07-14 | 技术层级：L7, L8

## 核心摘要

X-Humanoid 在 Hugging Face 发布的机器人模型，架构为 Transformer (Qwen/Qwen3-VL-4B-Instruct)，参数规模 5B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/X-Humanoid/Pelican-VLA05"}] |
| `updated` | 2026-07-14 |
| `family` | vla |
| `params` | 5B |
| `architecture` | Transformer (Qwen/Qwen3-VL-4B-Instruct) |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | apache-2.0 |
| `weights_license` | apache-2.0 |
| `data_formats` | ["LeRobot"] |
| `status` | research |
| `hub_id` | X-Humanoid/Pelican-VLA05 |
| `hub_stats` | {"downloads": 33, "likes": 3, "as_of": "2026-10-21"} |
| `overview_sources` | ["https://huggingface.co/X-Humanoid/Pelican-VLA05"] |

## 技术详解与生态说明

Pelican-VLA 0.5 是由北京人形机器人创新中心 WFM System Group 开发的统一视觉-语言-动作模型，本仓库提供跨具身预训练检查点。模型面向通用 VLA 策略、操控相关注意力研究，以及在机器人操控任务中的零样本/少样本部署分析和下游微调。

模型使用共享的 Qwen3-VL 4B backbone，将视觉语言理解、未来帧生成和动作预测放在同一框架中；视觉历史由冻结的 NVIDIA Cosmos image tokenizer 编码，动作头采用 flow matching。其核心设计是在感知和动作之间插入 32 个可学习 BotTokens，限制动作通路直接读取密集视觉 token，以压缩并路由与操控相关的信息。该检查点在约 2,400 小时异构操控数据上训练。

在 RoboTwin 2.0 上进行零样本演示时，预训练策略被描述为可朝向正确的指令相关物体，并产生连贯、目标导向的动作。使用时还需要 Qwen3-VL-4B-Instruct、NVIDIA Cosmos-Tokenizer-CI8x8 以及推理发布包；注意力可视化工具支持将动作到图像的注意力导出为每相机 .npz。该模型仍是中间研究模型，可靠抓取、接触时序和精确放置尚未解决。

## 原始核验来源 (Sources)

- [Hugging Face X-Humanoid/Pelican-VLA05](https://huggingface.co/X-Humanoid/Pelican-VLA05)