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。