让机器人拿杯子，难点不只是机械臂怎么动，还包括它能否先认准杯子和下手的位置。Pelican-VLA 0.5 把视觉语言理解、未来画面生成——在“脑中”预演动作后的变化——和动作预测放进同一个模型。它用一组可学习的 BotTokens，像一道信息窄门，把与操作有关的画面线索筛出来，再交给动作模块。
论文最值得注意的发现是：无需物体标注、注意力监督或任务专用微调，模型已会把注意力集中到目标物体和接触区域；换到没见过的场景和机器人身体，这种倾向仍能保留。微调前后的注意力图也高度相似，说明微调主要是在教它把“看对地方”转成可执行动作，而非从头学会观察。作者报告，经 RoboTwin 微调后，模型在 Clean 和 Randomized 设置中的成功率分别为 91.4% 和 91.0%。但零样本任务中，它只在部分任务取得非零成功率：先看懂确实有帮助，真正稳定地动手仍是尚未跨过的一步。