2026年5月16日，北京人形机器人创新中心推出全球首个按"大一统"思想训练的具身智能模型——Pelican-Unify 1.0。

作为通用具身智能平台"慧思开物"的核心组件，它试图回答一个关键问题：一个真正面向物理世界的智能体，究竟应该如何构建？北京人形给出的答案是，具身智能要走向"理解-推理-想象-行动"闭环智能。

这一思路的威力，在第三方权威评测中得到了验证：Pelican-Unify 1.0在由清华、普林斯顿、北大等八所顶尖机构联合发起的World Arena全球评测中，以66.03的EWM综合得分登顶世界第一。

继旗下WoW具身世界模型登顶World Arena Data Engine（数据引擎）赛道后，北京人形由此成为全球唯一在World Arena两大核心赛道同时夺冠的企业，加冕具身智能领域首个"双冠王"。

一、拿下两榜SOTA，机器人真的会先预演再行动

具身智能模型的难点，在于多种能力能否在同一个物理闭环中相互支撑。

北京人形把Pelican-Unify 1.0放进三个体系中检验：作为视觉语言模型，看它是否真正理解场景和指令；作为视觉运动策略，看它是否能稳定完成机器人动作；作为行动条件世界模型，看它是否能在动作发生前想象未来状态。

结果显示，统一模型并没有因为"大一统"而牺牲单项能力。Pelican-Unify 1.0综合能力大幅超越基座Qwen3-VL-4B-Instruct，理解能力测评分数从58.2分升至64.7分，在空间接地、物理理解类具身基准中提升幅度尤为显著。

该模型视觉运动策略表现出众，通过RoboTwin五十项双臂任务测试，整体成功率达93.5%，多数高难度实操任务完成度极高。

该模型还登顶世界模型测评World Arena榜单，EWM得分66.03位居榜首，3D空间精度与物理运动质量两项核心指标同样领先，充分彰显其出色的空间构建、物理逻辑与行动约束把控能力。

在真实机器人验证中，Pelican-Unify 1.0被部署到UR5e机械臂与天宫人形机器人上，重点测试组合泛化和零样本迁移。

第一个考验是组合泛化。在UR5e上，团队仅用"插入RJ45接头"和"做防水处理"这两个原子任务的训练数据，从未让模型见过两者串联的完整演示。测试时，机器人收到一条自然语言指令："将RJ45线缆插入3号端口并做防水处理"。它必须连续完成A再完成B。传统的VLA基线在此失败，因为它们缺少"A完成后应该发生什么"的表征。而Pelican-Unify 1.0在完成插线后，其想象模块基于当前场景和任务意图，自主"渲染"出下一步防水操作前的未来状态，行动模块随即接续执行。在没有见过任何完整串联示范的情况下，它成功了。这是"先想象，再行动"最直接的证据。

第二个考验是零样本迁移。在天宫人形机器人上，模型仅用5个见过任务加上3个未见任务极少量（每任务50段）的视频序列进行训练。面对全新的场景和任务，它依然能够在人类盲测评估中获得最高分。这充分证明了，一个通过"理解-推理-想象-行动"闭环训练出来的基础模型，其内化的物理常识与任务逻辑，能够支撑其在陌生环境中做出合理行为。

二、首个统一训练具身基础模型：理解、推理、想象、行动本是一个闭环

Pelican-Unify 1.0背后，是北京人形对"物理智能"本质的一次深刻反思。

行业碎片化的开发模式，其深层假设是智能可以像积木一样，先分别造出"看懂世界"、"规划路径"、"想象未来"和"执行动作"的模块，最后再拼起来。

但北京人形认为，对于一个必须在物理世界中持续进化的智能体而言，理解、推理、想象与行动从来就不是孤立的心理过程，而是同一智能闭环中不可分割的侧面。

基于这一主张，Pelican-Unify 1.0实现了三种真正的"统一"：

第一，统一理解。模型不再将视觉、语言、历史信息分别编码再拼接，而是通过一个共享的语义空间，将当前场景、语言指令、过去的动作历史、以及世界的实时状态，一次性映射为一个整体的、面向行动的任务状态。

第二，统一推理。Pelican-Unify 1.0把任务意图、动作选择和未来后果转化为语言化、可监督的思维链，并进一步压缩为稠密潜变量z。这个z不是普通模块接口，而是理解、推理、想象和行动共享的闭环状态。

第三，统一生成。这是最核心的技术突破。基于共享潜变量z，模型在同一个扩散解码过程中，联合生成未来的视频帧和未来的底层动作序列。视频token和动作token在同一个共享的扩散Transformer中交互、相互约束。

三、模型架构与技术实现：不拼接、不流水线，一个模型包圆

Pelican-Unify 1.0之所以能实现上述的"大一统"，其背后的架构设计是一场从零开始的紧耦合设计。整个模型由两大组件构成：

1、统一编码器——相当于大脑的"理解与推理"区域。基于Qwen3-VL视觉语言模型初始化，将多模态输入"吃"进去，自回归地生成思维链推理轨迹。

2、统一未来生成器——相当于大脑的"想象与行动"区域。基于Wan2.2扩散Transformer初始化，在统一的去噪过程中，同时"绘制"出未来的视频隐变量和未来的行动轨迹。

训练目标则是驱动这个大脑运转的"三股合力"：语言损失、视频损失、行动损失。这三项损失通过同一个共享表征反向传播，意味着"看、想、动"在梯度的层面上相互塑造。

结语：Agent热潮进入机器人身体，具身智能迈入统一范式时代

过去一年，Agent成为AI产业最热的关键词。但当Agent走出屏幕、进入机器人身体，它面对的难度会骤然上升。一个真正有用的机器人Agent，它必须知道自己身处什么环境，推理任务如何完成，想象动作会带来什么变化，并在行动后用新结果更新下一轮判断。

Pelican-Unify 1.0的意义在于向整个行业清晰地揭示了一个方向：通用具身智能的下一阶段，关键词是"更统一"。把智能作为一个能够将"看见、思考、想象、行动"融为一体、并在与物理世界的持续交互中协同进化的自适应系统。

当机器人开始学会"预演未来"，Agent的智能，终于有了物理的落脚点。迈向通用具身智能的赛道上，一个全新的统一范式时代，已然开启。