具身智能要求模型具备环境感知、空间理解与时序推理能力，传统通用大模型难以满足机器人在真实场景中的泛化需求。Pelican-VL 通过强化视觉语言模型（VLM）的空间认知，并融合动作控制形成视觉语言动作模型（VLA），实现了从感知到决策的闭环。团队采用 DPPO 算法结合监督微调，提升小数据下的训练效率，避免知识遗忘。模型支持函数调用，能分解任务并生成可执行动作，在商超、实验室等场景展现应用潜力。尽管当前具身数据稀缺且训练成本高，团队仍开源 7B 与 72B 版本模型，推动技术普惠。高质量数据清洗与多模态输入处理是关键环节，而全女性算法团队的深度参与也展现了科技领域多元协作的力量。