起源：米切尔43分 骑士再胜活塞总分2-2作者： 钱辰宏：

具身大一统不是标语:北京人形再度登顶WorldArena
，拿下双冠王

机械之心编纂部

最近
，全球的网民都化身「监工」
，围观了 Figure AI 的人形机械人直播在物流传送带上陆续几十个幼时
，不间断地分拣包裹
。

机械人可能在真实的出产环境中陆续工作
，齐全依附自身的视觉系统自主实现了鉴别、抓取
，和分拣的全套作为
，标志取具身智能的一个里程碑
。

这次技术跃进的背后
，是当前具身智能的主题：智能体（Agent）
。如今
，机械人已正式迈向了「基于模型的端到端推理」
。

机械人不再只是依照预设法式实现单一作为
，而是要依附自身视觉系统鉴别环境、理解指标、规划作为
，并在持续变动的物理世界中实现工作
。

谁能让机械人更好地看懂世界、推理工作、设想后果、执行作为
，谁就更靠近通用具身智能的主题
。

也正是在这个关键节点
，国内具身智能领域传来一个沉要进展
。

北京人形机械人创新中心（以下简称「北京人形」）在 WorldArena 全球权威评测中获得陆续突破
。

具身大一统模型 Pelican-Unify 1.0 登顶 WorldArena 权威榜单
，EWM Score（综合得分）稳居榜首
，3D Accuracy 靠近满分
。

WorldArena 最新排行榜

此前
，北京人形颁布的 WoW 具出身界模型就已经登顶 WorldArena Data Engine（数据引擎）赛路
，并获得 Hugging Face 官方沉点推荐
，随后被斯坦福、Physical Intelligence（PI）等顶尖团队引用
，显示出其在具出身界模型与数据引擎方向上的技术影响力
。

这意味着
，北京人形成为全球唯一起时登顶 WorldArena 两大主题赛路的机构
，也由此拿下具身智能领域首个「双冠王」
，跻身具身大脑能力世界第一梯队
。

从榜单成就来看
，Pelican-Unify 1.0 以得分位居榜首
，在 WorldArena 覆盖视觉质量、活动质量、内容一致性、物理遵循、3D 正确性、可控性等多维度的严苛评估中
，Pelican-Unify 1.0 拿下综合第一
，展示出较强的平衡能力
。其中在 3D Accuracy (3D 正确率) 上更是达到了惊人的
，靠近满分
。

这注明该模型已经具备靠近真实世界的空间建模能力
。由于 3D Accuracy 评估的并不是单一的画面质量
，而是模型对空间几何干系的理解能力
。Pelican-Unify 1.0 在这一指标上靠近满分
，注明它不只是看起来天生得像
，而是可能较正确地理解和沉建场景中的空间关系
，这对于机械人而言极度关键
。

让智能体走向物理世界

2025 年以来
，智能体成了整个 AI 行业最热的词
。OpenAI、谷歌、Anthropic 接连押注
，国内大模型厂商险些无一缺席
。智能体的主题逻辑并不复杂：让模型不只是回覆问题
，而是「实现工作」—— 感知环境、造订打算、挪用工具、持续执行
。

这个逻辑放在数字世界尚且勉强成立
，但一旦进入物理世界
，问题就变得底子得多
。

一个机械人要实现「把桌上的蓝色零件放进右侧料箱」
，它必要看懂当前场景、理解指令意图、预判抓取后的了局、再天生精确到毫米级的作为序列
。

传统具身智能系统的逻辑更像是「堆积木」：视觉模型掌管看
，说话模型掌管说
，世界模型掌管预测
，作为战术掌管执行
。模型之间各司其职
，流水线挪用
。

这套规划够用
，但有一个深层缺点：
？橹涞挠镆逄烨
，始终是故障机械人真正「理解」工作的天花板
。

2025 年 3 月
，北京人形颁布通用具身智能平台「慧思开物」
，提出了一条分歧的蹊径：让理解、推理、设想与行动在统一个模型内部协同演化
，而不是在表部拼凑
。

经过超过一年的持续迭代与实际堆集
，这一思路在 2026 年 5 月迎来了最具说服力的技术验证：昨天
，北京人形颁布「慧思开物」平台的首个「大一统」具身基础模型：Pelican-Unify 1.0

技术汇报：Pelican-Unify 1.0: A Unified Embodied Intelligence Model (UEI) for Understanding, Reasoning, Imagination and Action汇报地址：https://arxiv.org/pdf/2605.15153

Pelican-Unify 1.0 一问世就给出了极度亮眼的成就：在三个国际榜单上均实现了近 SOTA 的机能
，不仅在 World Arena 上登顶
，在 8 个 VLM Benchmark 的榜单在同级别（4B 以内）模型机能第一
，也在 VLA 榜单 RoboTwin 评测中稳居前列
。成为全球首个在理解、推理、设想、行动等维度同时达到全球顶尖水平的统一具身智能模型

「大一统」的具体寓意：

三大统一

在 Pelican-Unify 1.0 技术汇报的开篇
，北京人形团队引用了三句名言：亚里士多德的「魂灵从不脱离意象而思虑」
；詹姆斯?威廉的「我的思虑
，始终服务于我的行动」
；以及《礼记?中庸》中的「博学之
，审判之
，慎思之
，明辨之
，笃行之
。」

它们其实反映了 Pelican-Unify 1.0 背后的一个主题判断：要让具身智能变强
，必要一个可能让理解、推理、设想、行动相互约束、共同演化的统一回路
。

也就是说
，Pelican-Unify 1.0 的统一不是「把几个
？槭涑銎丛谝宦贰
，而是结构上共享表征、相互约束前提、以统一个训练过程共同演化
。

架构上
，Pelican-Unify 1.0 实现了三类统一：理解、推理和天生
。这能让理解、推理、设想、行动同生共长
，同时进建「若何理解工作」、「未来会产生什么」以及「应该执行什么作为」
。

而在具体的工程实现上
，整个模型由两个紧耦合的组件组成：一个视觉-说话模型（VLM）
，承担统一理解与统一推理
；一个统一未来天生器（Unified Future Generator
，UFG）
，承担统毕天生
。

Pelican-Unify 1.0 与 VLA 模型和世界模型的架构对比

统一建模：共享表征
，三路协同

传统流水线中
，每个
？槎加凶约旱哪诓孔刺菏泳跄
？橛刑氐阆蛄
，说话
？橛 token 序列
，作为
？橛姓绞跎⒉
，世界模型有潜在状态
。它们各自优化
，彼此之间只传递压缩后的输出信号 —— 这正是语义天堑产生的本原
。

Pelican-Unify 1.0 的做法是：用一个共享的浓密潜变量 z 取代所有这些分散的内部状态
，让说话推理、视频设想、作为预测的训练梯度全数作用于统一块表征
。如此一来
，推理、设想、行动就不再是通过接口通讯的三个系统
，而是能在共同的表征中相互约束、协同演化
。

统一编码器：把汗青、指令、场景压入统一语义空间

统一编码器由基于 Qwen3-VL 4B 初始化的视觉 - 说话模型承担
。

它接管的输入是一个多模态高低文 c_t
，其中蕴含三类信息：从前时刻的观测序列 o（陆续帧图像）、汗青作为序列 a 、以及当前说话指令 l
。

这三类信息被统一编码进共享语义空间
，而非由三个平行分支别离处置
。

在此基础上
，VLM 自回归地天生一条思想链推理迹 τ_t
。这条推理迹并非过后诠释
，而是模型对工作意图、物理约束、未来后果与作为选择的中央表征
，它能让说话推理成为具身天生过程中可训练、可监督的一个组件
，而不是漂浮在决策之表的说话注解
。

推理迹天生结束后
，VLM 取最后一层隐状态 h_{τ_t}
，通过一个投影层 P_? 压缩为浓密潜变量 z：

这一步是整个架构的关键耦合点
。z 不只针对说话建模优化
，它还被下游的视频和作为天生损失持续施压
，被迫同时编码「物理世界将若何演化」和「该当执行什么作为」所需的信息
。

统一未来天生器：视频设想与作为序列在统一个扩散过程中结合读出

统一未来天生器由基于 Wan2.2-5B 初始化的扩散 Transformer（DiT）承担
，以 z 为前提
，在统一个去噪过程中结合天生未来视频帧和低层作为序列
。

具体而言
，未来视频先经过视频自编码器压缩为潜变量 x^v
，作为轨迹归一化为陆续暗示 x^a
。在扩散的每一步
，视频 token 和作为 token 被各自的输入嵌入层转换后
，一路送入统一个 DiT 主干网络处置：

其中 s 是扩散功夫步
，z 通过交叉把稳力注入
。自把稳力掌管建模天生序列内部的时序与空间依赖
，交叉把稳力掌管注入说话 grounding 的工作语义
，扩散功夫步则通过自适应归一化调控整体推算
。

DiT 主干是两类 token 共享的
，只有输入嵌入和输出面（d_v 读出视频、d_a 读出作为）是模态专属的
。这意味着：视频 token 和作为 token 在去噪过程的每一步都在统一空间中相互感知、相互约束
。

训练指标由三路损失组成：说话推理损失 _text（自回归负对数似然）、视频流匹配损失 _video（陆续功夫 flow matching）、以及作为预测损失 _action（SmoothL1 鲁棒回归）：

三路损失共同作用于统一表征 z：

说话损失让 z 与工作级语义对齐视频损失迫使 z 对物理世界的动态演化有预测性作为损失将 z 锚定在可执行的节造空间里

z 必须同时满足三沉压力
，能力在训练中存活
。这正是统一范式的优化层面寓意：推理、设想、行动的一致性是通过梯度博弈天然涌现的
。

尝试了局

第三方评测平台验证单项能力

技术架构上的优雅
，最终要接受评测的检验
。Pelican-Unify 1.0 给出了亮眼的解答：统一不料味着全面平淡
，而是能够在专项能力上与专用模型同台竞争
。

在统一的理解和推理能力上达到了同级别模型第一
。在 VLM 评测中
，Pelican-Unify 1.0 在 8 个 General / Embodied Benchmarks 上获得64.7均匀分
，均达到 SOTA 水平
，并在更具具身属性的 Where2Place 和 PhyX 上相比基座模型别离提升28.220.6分
，证明统一训练并没有减弱通用多模态能力
，反而加强了空间理解、物理理解和行动有关语义
。

Pelican-Unify 1.0 与其它步骤在一些通用和具身基准上的成就比力

在统一的作为天生能力方面
，整体机能和最佳模型机能相当
。Pelican-Unify 1.0 在 RoboTwin 50-task dual-arm benchmark 上获得93.5%均匀成功率
，其中 50 个工作中有 31 个工作成功率达到至少 95%
，15 个工作达到 100%
，覆盖插拔、堆叠、交代等分歧类型工作
，跟当前 SOTA 模型机能根基吃旖
，证明具身大一统模型具备强作为执行能力
。

Pelican-Unify 1.0 与重要 VLA 和世界模型在 RoboTwin 双臂操作 50 工作基准上的成就

这些成就单放在一路
，通报了一个清澈的信息：Pelican-Unify 1.0 的确能通过结构性共享表征让理解、推理、行动相互加强
。这在具身智能钻研中
，尚属初次如此全面的验证
。

北京人形与「慧思开物」

理解 Pelican-Unify 1.0 的齐全意思
，必要将其放回「慧思开物」平台的整体布局
，以及北京人形的机构定位中来看
。

2025 年 3 月
，慧思开物正式颁布
，定位为全球首个「一脑多能、一脑多机」的通用具身智能平台
。其由 AI 大模型驱动的工作规划「大脑」与数据驱动的端到端技术执杏赘幼脑」组成
，能实现单一软件系统在机械臂、轮式机械人、人形机械人等多构型本体上的兼容部署
。

Pelican-Unify 1.0 作为平台统一具身基础模型的首发版本
，为慧思开物提供了真正意思上的「认知内核」
，让「一脑多机」不再只是一个调度层把多个专家模型串起来
，而是统一个理解-推理-设想-行动回路在分歧本体上的天然泛化

这一能力在真实硬件上得到了验证
。模型在 UR5e 工业机械臂和天工人形机械人上的工业节造面板操作工作中
，在零样本泛化和组合工作两类评测上
，均全面超过
？榛卟街
。尤其在组合泛化测试中
，模型仅凭各原子工作的训练数据
，无需任何组合示范
，便能在天然说话指令下实现两段工作的陆续执行
。

组合泛化评估
。在训练过程中
，模型仅针对单个原子操作工作进行优化
，未接触其组合版本
。测试时
，会评估模型在未见过的组合工作上的阐发
，这些工作必要结合多种已习得的技术
，从而展示了模型在长周期具身操作中壮大的组合泛化能力
。

这正是「先设想
，再行动」的关环在物理世界中最直接的体现：设想面在训练中已将每个原子动词映射为未来帧散布
，因而可能在 A 阶段实现后渲染出新初始态
，并以此沉新前提化 B 阶段的作为
。整个过程没有人为设计的状态机
，没有
？榧涞南允酵ㄑ
。

Pelican-Unify 1.0 可将作为作为前提输入
，从而实现作为前提视频预测
。左图：作为前提视频预测模型概览
。右图：本步骤天生的视频与真实值的对比

；诤骨喙鄄
，该作为前提视频预测模型实现了输入作为指令与天生视频帧之间的细粒度对齐
。

如今
，经过一年多的场景打磨
，慧思开物已从颁布时的技术演示走向可量产的工业落地：

2025 年 9 月
，搭载慧思开物的「具身天工 2.0」进入福田康明斯发起机工厂
，在无人出产线上实现料箱取放与搬运工作
；同年 10 月
，「慧思开物」SDK 正式盛开
，面向高校与产业同伴构建开源生态
；在世界人为智能大会（WAIC）上
，「慧思开物」协调四个异构机械人实现多本体、多工作异步合作
，展示了散布式具身智能体系统的协同能力
。

北京人形的身份
，在国内具身智能疆域中拥有独个性
。2023 年成立
，由京城机电、优必选、亦庄机械人、首程本钱等共同提议
；2024 年 10 月
，获授「国度处所共建具身智能机械人创新中心」称号
，正式确立国度级创新平台定位
；2026 年 2 月
，实现首轮超 7 亿元市场化融资
，投资方涵盖北京市人为智能产业投资基金、百度、东土科技等机构与产业方
。

软硬件层面
，北京人形已于今年 2 月颁布了新一代通用机械人平台具身天工 3.0
，这也是行业内首个实现触物交互式全身高动态活动节造的全尺寸人形机械人
；而此番 Pelican-Unify 1.0 同时登顶 WorldArena 两大主题赛路
，拿下具身智能领域首个「双冠王」—— 活动能力与认知智能的双线突破
，印证了北京人形软硬件协同迭代的系统机能力堆集
。

作为国度队
，北京人形对「大一统」范式的对峙是一条必要更高研发门槛、更长周期验证的路线
。Pelican-Unify 1.0 登顶 WorldArena 的成就
，是这条路线第一次在全球权威评测系统上得到系统性验证
。

而开源 RoboMIND 数据集、盛开慧思开物 SDK、结合高校成立结合尝试室
，则注明北京人形想做的不只是一家在榜单受骗先的机构
，而是一个让中国具身智能整体研发效能因共同底座而加快的基础设施提供者
。

统一
，不是终点

是全新的起点

2026 年
，具身智能行业正处于真正的技术分层时刻
。

量产端
，头部企业已凌驾千台甚至万台交讣槛
，产业起头触碰造作系统的真实极限
；本钱端
，国度大基金三期初次出手具身赛路
，单轮融资纪录持续刷新
；竞争端
，百余家有关企业并立
，行业的主题问题已经从「能不能做出来」造成「做出来的器材
，能不能在从未见过的场景里真正好用」
。

这正是 Pelican-Unify 1.0 所回应的问题
。

在天然说话处置领域
，大规模预训练范式的主题洞见是：让理解、天生、推理在统一个表征空间中共同演化
，能力的天堑会因相互加强而持续表扩
。这一洞见在文本世界已被充分验证
，并沉塑了整个 AI 行业的格局
。

此刻
，同样的逻辑起头在物理世界寻找它的对应物
。

分歧之处在于
，物理世界的「天生」不是输出文字
，而是移动物体
；物理世界的「推理」不能只停顿在说话层面
，必须被作为后果所检验
；物理世界的「理解」
，必须真正 grounding—— 遵循三维空间中物体之间的物理约束关系
。

这使得具身智能的统一
，迸罪言模型的统一可贵多
，也沉要得多
。

Pelican-Unify 1.0 给出的
，是这个方向上的一个早期但有说服力的答案
。当推理可能塑造设想、设想可能约束行动、行动的了局可能反过来校对推理
，整个回路就不再是能力的叠加
，而是能力的乘积
。

从「职能拼凑」到「关环智能」
，这一步的距离正被逾越
。