Perceptron Mk1.5 vs Qwen 3.8: Robot potrzebuje obu, a żaden z nich nie jest zamiennikiem

Robot, który ma coś podnieść, potrzebuje od modelu dwóch rzeczy, a żaden pojedynczy model w tej parze nie daje obu. Perceptron Mk1.5 zwraca geometrię: mając klatki wideo, potrafi oddać punkt, ramkę, wielokąt lub element <track> ze znacznikiem czasu, a jego okno kontekstowe to 36 864 tokenów. Qwen 3.8 — nazwa, która odnosi się do rdzenia Qwen3.8-2.4T-A95B o otwartych wagach tego dostawcy — to rozumujący model typu mixture-of-experts o 2,4 biliona parametrów, z natywnym oknem 262K rozciągającym się w stronę miliona, i jest wyłącznie tekstowy, więc nie może w ogóle patrzeć na klatki. Jeden to warstwa percepcji kosztująca 0,15 i 1,50 dolara za milion tokenów; drugi to rdzeń rozumujący, który kosztuje około trzynaście razy więcej na wejściu i cztery razy więcej na wyjściu, i ma niezależny wynik 40 w Artificial Analysis Intelligence Index, podczas gdy model percepcji nie ma nigdzie niezależnego wyniku.

Zestawione obok siebie jako konkurujące produkty, przegrywają ze sobą w przeciwnych kierunkach, a porównanie nie daje niczego użytecznego. Zestawione obok siebie jako dwie połowy jednego potoku, wyjaśniają niemal każdą decyzję dotyczącą kosztów i niezawodności w ucieleśnionym stosie: gdzie interpretowane są ramki, gdzie powstaje plan i co dzieje się z Twoim rachunkiem, gdy połowa odpowiedzialna za rozumowanie zapisuje więcej tokenów, niż wymaga zadanie.

Podział, który sprawia, że to zestawienie ma sens

Perceptron Mk1.5 został wydany 25 września 2026 jako następca Perceptron Mk1, a jego zadanie jest ściśle określone. Przyjmuje tekst, obrazy, wideo i audio, a zwraca tekst oraz opcjonalne adnotacje strukturalne — punkty, ramki ograniczające, wielokąty, klipy i ścieżki. Wynik <track> zawiera zarówno obserwację przestrzenną, jak i znacznik czasu, do którego należy, więc 60-sekundowy klip wraca jako pozycje w czasie, a nie jako jedno uśrednione przypuszczenie. Pole asset_idx pozwala jednemu żądaniu zaadresować osobno kilka obrazów lub filmów, co jest potrzebne do porównania klatki referencyjnej z klatką na żywo. Odpowiedzi z ograniczeniami występują w dwóch wariantach, JSON Schema i regex, a cały sens obu polega na tym, że dane wyjściowe są typowane.

Qwen 3.8 to instrument przeciwnego rodzaju. Rdzeń 2.4T to drobnoziarnisty MoE — 92 warstwy, 512 ekspertów na warstwę, w tym 10 routowanych oraz jeden współdzielony, i 69 z tych 92 warstw wykorzystuje uwagę liniową — dzięki czemu tak duża architektura osiąga długi kontekst. Jego mocną stroną jest rozumowanie na dużej ilości tekstu: złożona wieloetapowa analiza, długie wyprowadzenia, planowanie agentowe. Natomiast nie radzi sobie po stronie wejścia. Otwarty rdzeń obsługuje wyłącznie tekst, a jego rozumowania nie można wyłączyć: każda odpowiedź zaczyna się od bloku myślenia, niezależnie od tego, czy go chciałeś, czy nie.

To nie jest wada modelu rozumowania; to wada modelu percepcji, a Qwen 3.8 nim nie jest. Ustaw je oba w sekwencji, a kształt staje się oczywisty — Mk1.5 odpowiada na pytanie „gdzie jest wózek widłowy i kiedy się przesunął”, Qwen 3.8 odpowiada na pytanie „biorąc to pod uwagę, co powinno zrobić ramię”. Na żadne z tych pytań nie może odpowiedzieć drugi model.

Ile kosztuje każda połowa, według stawek, które faktycznie są naliczane

• Dane wejściowe — Perceptron Mk1.5 0,15 USD za milion tokenów. Qwen 3.8 2,00 USD za milion w hostowanej wersji, którą mierzy niezależny harness, przy zastosowaniu 88% zniżki na pamięć podręczną, co daje trafienie w pamięć podręczną na poziomie około 0,24 USD.

• Wynik — Mk1.5 1,50 USD za milion. Qwen 3.8 6,00 USD za milion.

• Pamięć podręczna — wejście z pamięci podręcznej Mk1.5 kosztuje 0,0375 USD za milion, czyli równo jedną czwartą jego standardowej stawki za wejście. Zniżka Qwen 3.8 jest procentowa, ale głębsza i wynosi 88%, więc jego stawka za wejście z pamięci podręcznej jest niższą z dwóch w ujęciu bezwzględnym, a jego stawka za wejście bez pamięci podręcznej jest ponad dziesięciokrotnie wyższa niż w Mk1.5.

Koszt na ukończone zadanie — i tu ranking się odwraca. Artificial Analysis podaje, że koszt Qwen 3.8 na zadanie w Intelligence Index wynosi 2,16 USD, co daje mu 32. miejsce na 115 w swojej klasie i ocenę cztery na cztery jednostki pod względem kosztu — tanio za ukończone zadanie mimo drogich tokenów, ponieważ model wygenerował 170 mln tokenów wyjściowych podczas przebiegów indeksu, podczas gdy konkurencja rozwodzi się jeszcze bardziej. Dla Mk1.5 nikt nie opublikował równoważnej wartości.

• Kontekst — 36 864 tokeny dla Mk1.5 w porównaniu z natywnym 262K dla rdzenia Qwen, z możliwością rozszerzenia do miliona przy odpowiedniej konfiguracji serwowania.

• Kontrola rozumowania — Mk1.5 udostępnia reasoning_effort na poziomach high, medium, low, minimal lub none, a domyślnie przyjmuje high. Qwen 3.8 ma myślenie włączone na stałe, więc płacisz za tokeny myślenia przy każdym wywołaniu.

Przeczytaj tę listę dwa razy, bo koszty tych dwóch modeli układają się odwrotnie. W przeliczeniu na token Mk1.5 jest dramatycznie tańszy. W przeliczeniu na ukończone zadanie w niezależnym benchmarku Qwen 3.8 jest mierzony jako tani, a Mk1.5 jest niezmierzony. Te dwa stwierdzenia są sprzeczne tylko wtedy, gdy założysz, że wykonują tę samą pracę — a nie wykonują.

Dowody wskazują tu w przeciwnym kierunku.

W większości porównań w tym zestawie strona z otwartymi wagami ma stos liczb podanych przez dostawcę, a zamknięte API ma stronę podmiotu trzeciego. Tutaj jest odwrotnie, a o tym odwróceniu warto powiedzieć wprost, ponieważ zmienia ono to, co można, a czego nie można zweryfikować.

Qwen 3.8 ma niezależny pomiar. Artificial Analysis Intelligence Index umieszcza rdzeń 2.4T na poziomie 40, co daje 5. miejsce wśród 115 modeli w swojej klasie w chwili pisania, przy prędkości wyjściowej 39,6 tokena na sekundę — 56. miejsce spośród 115, czyli środek stawki, o czym warto wiedzieć, zanim ktokolwiek zaplanuje wokół niego pętlę interaktywną. Rewizje indeksu zmieniają się między migawkami, a uczciwym sposobem odczytywania którejkolwiek z tych liczb jest traktowanie ich jako orientacyjne, ale sedno pozostaje: ktoś spoza firmy Alibaba uruchomił ten model i opublikował liczbę.

Perceptron Mk1.5 nie ma czegoś takiego. Nie istnieje wpis w Artificial Analysis ani wynik arena dla Mk1.5 czy jego poprzednika, więc każdy istniejący wskaźnik możliwości został wytworzony przez Perceptron na temat własnego modelu Perceptronu. Ten zestaw jest niezwykle konkretny, co działa na jego korzyść — 0,9433 na egocentric hand_box wobec 0,4467 dla Gemini 3.1 Pro w własnym przebiegu dostawcy; EgoSchema 80,40 wobec 81,20 dla tego samego konkurenta, wąska porażka w szerokim benchmarku rozumienia obok deklarowanej 12-procentowej przewagi na trudniejszym podzbiorze EgoSchema przy 63,75; 0,647 centre-F1 i 0,628 point-HOTA na Molmo2-Track — ale konkretny i niezależnie zweryfikowany to różne właściwości, a tylko ta druga mówi, co się stanie na twoim materiale.

Dwie uwagi dotyczące odczytywania tabeli Perceptrona, z których obie odnoszą się do każdego jej cytowania. Wartość 56,0 dla LiveVQA-W przy włączonych narzędziach pochodzi z głosowania większościowego na czterech próbkach, natomiast 53,2, z którym jest zestawiana dla Gemini 3.8 Flash z ugruntowaniem w wyszukiwarce Google, nie jest głosowaniem większościowym; sama technika jest uzasadniona i zawyża wynik względem pojedynczego zachłannego przebiegu. Z kolei wiersz dotyczący śledzenia podaje Qwen3-VL-8B na poziomie 0,180 centre-F1, wziętym z artykułu o tym modelu, i stoi w tej samej kolumnie co zmierzone wartości dla innej rodziny checkpointów. Wartość z artykułu w kolumnie z pomiarami to nie ten sam wiersz pod względem porównywalności i jest to dokładnie ten rodzaj pozycji, który bywa cytowany bez podania swojego pochodzenia.

Rdzeń 2.4T nie jest czymś, co można u nas wywołać — ale jego architektura już tak.

To jest ta część porównania, w której uczciwa odpowiedź różni się od tego, co sugeruje sława modelu. Nazwa Qwen 3.8 jest powszechnie używana na określenie otwartego rdzenia, a otwarty rdzeń to plik do pobrania, a nie endpoint: 2,4 TB wag BF16 na niestandardowej licencji Qwen3.8-Max firmy Alibaba, opublikowanych w sierpniu 2026 r. Nie obsługujemy go i dziś nie ma dostawcy, który obsługiwałby go po naszej stronie — wpis w katalogu istnieje jako ogłoszona, jeszcze niedostępna strona śledzenia, a nie działająca trasa.

To, co rzeczywiście udostępniamy, to flagowe API zbudowane na tej samej architekturze 2.4T. Jest dostępne jako qwen/qwen3.8-max w cenie 2,00 i 6,00 USD za milion tokenów — stawka samej Alibaby przekazana bezpośrednio, bez niczego doliczanego za token, z oknem multimodalnym 1M tokenów — tekst, obraz i wideo na wejściu — oraz z tą samą hybrydową architekturą uwagi co otwarty rdzeń. Jeśli twoja połówka odpowiedzialna za rozumowanie musi coś zobaczyć, to właśnie ta droga, a jest to także droga, na której zmiana stawek dostawcy trafia po naszej stronie tego samego dnia, a nie dopiero w twoim następnym cyklu rozliczeniowym. Obok niego udostępniamy gęstego bliźniaka od Alibaby qwen/qwen3.8-27b na naszej własnej infrastrukturze w cenie 0,33 i 2,40 USD za milion, z oknem 262 144 tokenów oraz wejściem tekstowym, obrazowym i wideo — na przypadki, gdy 27B rozumujące wystarczy, a indeks 40 modelu 2.4T to więcej, niż wymaga zadanie.

Łączenie obu połówek bez drugiego kontraktu

Praktyczny powód, dla którego to zestawienie ma większe znaczenie niż argument z benchmarku, jest taki, że stos ucieleśniony to już dwa modele, a koszt integracji trzeciego to coś, co po cichu zabija projekt. Mk1.5 nie znajduje się w naszym katalogu, więc dotarcie do niego oznacza użycie własnego API dostawcy — pip install "perceptron>=0.4.0", klucz w PERCEPTRON_API_KEY, endpoint api.perceptron.inc. Do połowy Qwen brakuje tylko jednego klucza.

To, gdzie brama zdobywa swoje miejsce, rozgrywa się na styku. Reguła routingu, która kieruje każdą klatkę z pytaniem do modelu percepcji, a każdy plan zawierający wyłącznie tekst do modelu rozumowania, to pojedyncza linia konfiguracji, gdy oba znajdują się za jednym endpointem zgodnym z OpenAI, a automatyczne przełączanie awaryjne sprawia, że awaria dostawcy po którejkolwiek stronie degraduje się do mechanizmu zapasowego, a nie do zatrzymanego robota. Jedno API obejmujące ponad 200 modeli z cenami katalogowymi przekazywanymi przy 0% marży to również najtańszy sposób, by odpowiedzieć na pytanie, na które ten artykuł nie potrafi odpowiedzieć: czy Twoje zadanie śledzenia obiektów w ogóle potrzebuje współrzędnych Mk1.5, czy wystarczyłby ogólny model wizyjny ze znacznie większym oknem i niezależnym wynikiem. Kierowanie części rzeczywistego ruchu między kandydatami i pomiar na własnych klatkach kosztuje mniej niż jakiekolwiek badanie porównawcze, które mógłbyś zlecić.

Co konkretnie z tym zrobić

Jeśli wbudowujesz percepcję w system fizyczny, Perceptron Mk1.5 jest jedynym modelem w tej parze, który odpowiada we współrzędnych, i jest to zdolność, a nie wynik — przetestuj twierdzenie o ramce dłoni na własnym wideo, ustaw reasoning_effort świadomie, zamiast akceptować wysoką wartość domyślną, i zaplanuj budżet dla okna 36 864 tokenów jako twardego ograniczenia, a nie miękkiego. Jeśli budujesz warstwę rozumowania nad nim, Qwen 3.8 jest mierzony tam, gdzie Mk1.5 nie jest, a jego koszt na ukończone zadanie to wartość, według której należy planować, a nie nagłówkowe 2,00 USD — z zastrzeżeniem, że jego myślenia nie można wyłączyć, więc zadanie, które nie potrzebuje łańcucha myśli, i tak za nie płaci.

Zespoły, które to źle rozumieją, to te, które próbują zmusić jeden model do robienia jednego i drugiego. Specjalista od percepcji z 36 864 tokenami nie pomieści historii operacyjnej, a czysto tekstowy model rozumujący o rozmiarze 2,4T nigdy nie zobaczy klatki. To zestawienie nie jest kompromisem między dwoma produktami. To rzeczywisty podział pracy, a jedyne użyteczne pytanie brzmi: po której stronie tego podziału należy umieścić każde z twoich wywołań.