Perceptron Mk1.5 นำการส่งออกเชิงพื้นที่แบบมีโครงสร้างมาสู่เอเจนต์ที่มีตัวตน — และปลดระวาง Isaac ในวันเดียวกัน

ตอนนี้ Perceptron Mk1.5 เปิดให้ใช้งานทั่วไปแล้ว และสิ่งที่น่าสนใจเกี่ยวกับมันไม่ใช่ตารางเบนช์มาร์ก — แต่เป็นสิ่งที่ส่งกลับมาในบอดีการตอบกลับ ถ้าถามโมเดล vision-language ทั่วไปว่ารถโฟล์คลิฟต์อยู่ที่ไหน คุณจะได้ประโยคหนึ่งประโยค แต่ถ้าถาม Perceptron Mk1.5 บนเฟรมวิดีโอ นอกเหนือจากข้อความบรรยายแล้ว คุณยังได้เรขาคณิตที่เครื่องจักรแยกวิเคราะห์ได้ เช่น จุดหนึ่งจุด กรอบ bounding box รูปหลายเหลี่ยม คลิป หรือ <track> องค์ประกอบที่บรรทุกข้อมูลเชิงพื้นที่พร้อมเวลา ครอบคลุมทั้งไฟล์ นั่นคือความแตกต่างระหว่างโมเดลที่เพียงอธิบายฉาก กับโมเดลที่ตัวควบคุมหุ่นยนต์นำไปใช้ได้เลยโดยไม่ต้องมีขั้นตอนแยกวิเคราะห์รอบที่สอง มันเป็นผู้สืบทอดโดยตรงของ Perceptron Mk1 ซึ่งเป็นรุ่นแรกของบริษัทที่เปิดตัวในเดือนพฤษภาคม 2026 และเปิดตัวเมื่อวันที่ 25 กันยายน ควบคู่ไปกับการปลดระวางเช็กพอยต์ Isaac 0.1 และ 0.2 ที่มาก่อนหน้านี้

สิ่งที่ Mk1.5 ส่งคืนจริง ๆ

โมเดลนี้เป็นระบบการให้เหตุผลแบบมีตัวตน (embodied reasoning system) สำหรับเอเจนต์ทางกายภาพ ทางด้านอินพุต มันรับข้อความ รูปภาพ วิดีโอ และเสียง ทางด้านเอาต์พุต มันสร้างข้อความพร้อมคำอธิบายประกอบแบบมีโครงสร้างซึ่งเป็นทางเลือก ได้แก่ จุด กล่อง รูปหลายเหลี่ยม คลิป และแทร็ก เอาต์พุตการติดตามเป็นส่วนที่ควรค่าแก่การพิจารณา เอกสารของ Perceptron อธิบาย <track> ซึ่งเป็นบล็อกที่รายการต่างๆ ประกอบด้วยทั้งข้อสังเกตเชิงพื้นที่และการประทับเวลาที่มันเกิดขึ้น ดังนั้นคลิปความยาว 60 วินาทีจึงได้กลับมาเป็นลำดับตำแหน่งของวัตถุตามเวลา แทนที่จะเป็นการเดาเฉลี่ยเพียงครั้งเดียวเกี่ยวกับฉาก

รายละเอียดที่สองที่สำคัญสำหรับใครก็ตามที่นำสิ่งนี้ไปเชื่อมต่อในไปป์ไลน์ที่มีแอสเซ็ตมากกว่าหนึ่งรายการ: Mk1.5 รองรับฟิลด์ asset_idx ดังนั้นคำขอเดียวสามารถอ้างอิงรูปภาพหรือวิดีโอหลายรายการและระบุถึงแต่ละรายการแยกกันได้ หากงานของคุณคือการเปรียบเทียบภาพถ่ายอ้างอิงกับเฟรมจากกล้องสด — ลูปตรวจหาข้อบกพร่อง ขั้นตอนตรวจสอบการประกอบ — สิ่งนั้นควรอยู่ในคำขอเดียว ไม่ใช่สองคำขอ

โมเดลยังรองรับการตอบกลับแบบมีข้อจำกัด ทั้ง JSON Schema และ regex ซึ่งเป็นวิธีที่คุณเปลี่ยน "ประมาณนั้น" ให้เป็นสคีมาที่โค้ดปลายน้ำของคุณตรวจสอบได้ การเรียกใช้ฟังก์ชันได้รับการรองรับบน chat completions และเซิร์ฟเวอร์ MCP ที่โฮสต์โดย Perceptron ตอนนี้มีค่าเริ่มต้นเป็น perceptron-mk1.5; การส่ง model: "perceptron-mk1" อย่างชัดเจนคือวิธีที่คุณปักหมุดค่าเริ่มต้นก่อนหน้า

สเปกชีต และค่าใช้จ่ายของมัน

ตัวเลขตรงนี้ควรพูดให้ตรงไปตรงมา เพราะมันไม่สูงนักในบางจุดที่ผู้อ่านอาจไม่คาดคิด หน้าต่างบริบทมีขนาด 36,864 โทเค็น — ไม่ใช่หนึ่งล้าน ไม่ใช่ 256K เอาต์พุตสูงสุดคือ 8,192 โทเค็น นี่ไม่ใช่โมเดลที่คุณจะยื่นวิดีโอความยาวสองชั่วโมงกับคู่มือ 300 หน้าให้ มันถูกกำหนดขนาดมาสำหรับงานรับรู้ที่กระชับพร้อมคำตอบที่มีโครงสร้าง

Pricing is $0.15 per million input tokens and $1.50 per million output tokens, with cached input at $0.0375 per million — exactly a quarter of the standard input rate. The client library is pip install "perceptron>=0.4.0", the endpoint is https://api.perceptron.inc/v1/chat/completions, and the key lives in PERCEPTRON_API_KEY. Nothing about the integration is exotic.

• Context — 36,864 โทเค็น เทียบกับหน้าต่าง 32K ที่ Perceptron Mk1 มาพร้อม
• เอาต์พุตสูงสุด — 8,192 โทเค็น
• อินพุต — ข้อความ, รูปภาพ, วิดีโอ, เสียง (WAV, MP3, FLAC)
• อินพุตแบบแคช — $0.0375/M คิดเป็นหนึ่งในสี่ของอัตราอินพุตมาตรฐานที่ $0.15/M
• เอาต์พุต — $1.50/M
• การควบคุมการให้เหตุผล — reasoning_effort ที่ระดับ high, medium, low, minimal หรือ none โดยค่าเริ่มต้นเป็น high

แถวสุดท้ายนั้นคือ breaking change ที่ปลอมตัวมา Mk1.5 แทนที่ vision_config.enable_thinking แบบบูลีนเดิมด้วย reasoning_effort ดังนั้นคำขอใดก็ตามที่คุณสร้างไว้กับโมเดลก่อนหน้าจะต้องแก้ไข ไม่ใช่แค่เปลี่ยนไปชี้ที่ใหม่ ค่าเริ่มต้นของ high น่าสังเกตด้วยเหตุผลอีกประการหนึ่ง: ถ้าคุณไม่กำหนดฟิลด์นี้ คุณกำลังซื้อเส้นทางการใช้เหตุผลที่แพงที่สุดในทุกการเรียก

เสียง และวิดีโอที่มีแทร็กเสียงของตัวเอง

อินพุตเสียงเป็นของใหม่จริง ๆ ที่นี่ Perceptron รองรับได้สามวิธี — แบบอินไลน์ input_audio, audio_url, หรือ audio_file_id — โดยมีเพดานที่ 16,384 โทเคนเสียงต่อรายการ เอกสารระบุว่าอยู่ที่ประมาณ 21.8 นาทีของคำพูด ที่ประมาณ 750 โทเคนต่อนาที ซึ่งเป็นงบประมาณที่สมเหตุสมผลสำหรับการบันทึกส่งมอบกะหรือบันทึกการบำรุงรักษา

สิ่งที่แปลกกว่าคือเส้นทางวิดีโอ ตามค่าเริ่มต้น Mk1.5 จะอ่านวิดีโอเป็นเฟรมและไม่สนใจแทร็กเสียง การตั้งค่า vision_config.enable_audio_in_video: trueจะเปิดแทร็กเสียงกลับมา ซึ่งเป็นค่าที่คุณต้องการสำหรับกรณีใดก็ตามที่เสียงรบกวนคือสัญญาณ — เครื่องจักรที่ฟังดูผิดปกติก่อนที่จะดูผิดปกติ คำสั่งที่พูดออกมานอกกล้อง หรือเสียงเตือนในพื้นหลังของการเดินสำรวจพื้นที่ ค่าเริ่มต้นคือปิด ดังนั้นวิดีโอที่มีข้อบกพร่องด้านเสียงจะถูกวิเคราะห์อย่างเงียบ ๆ ราวกับเป็นภาพยนตร์เงียบ เว้นแต่คุณจะระบุเป็นอย่างอื่น

ภาพเปรียบเทียบมาตรฐาน โดยระบุแหล่งที่มาให้ชัดเจน

ตัวเลขทุกตัวด้านล่างมาจากประกาศของ Perceptron เอง และถูกวัดโดย Perceptron ไม่มีรายการดัชนี Artificial Analysis และไม่มีคะแนนอารีน่าสำหรับทั้ง Mk1.5 หรือรุ่นก่อนหน้า ดังนั้นจึงไม่มีตัวเลขจากบุคคลที่สามที่ใดเลยในการเปรียบเทียบนี้ที่จะนำมาเทียบกับตัวเลขเหล่านี้ได้ โปรดถือว่าตัวเลขเหล่านี้เป็นคำกล่าวอ้างของผู้ขายเกี่ยวกับผลิตภัณฑ์ของตนเอง ไม่ใช่ผลลัพธ์ที่เป็นกลาง

ในด้านการติดตามมือแบบ egocentric ช่องว่างนั้นกว้างและจำเพาะเจาะจง: Mk1.5 ทำคะแนนได้ 0.9433 บน hand_box เทียบกับ 0.4467 ของ Gemini 3.1 Pro และ 0.6179 ของ Gemini ที่ดีที่สุดในการรันของ Perceptron ซึ่งประกาศระบุว่าเป็น Gemini 3.8 Flash นั่นคือ +111% และ +53% ที่โพสต์เปิดตัวยกขึ้นมาเป็นจุดขาย และเป็นตัวเลขเดี่ยวที่แข็งแกร่งที่สุดในการเปิดตัวครั้งนี้

ในด้านความเข้าใจวิดีโอแบบ egocentric ทั่วไป ภาพรวมนั้นใกล้กันมากกว่ามาก Perceptron รายงานว่า Mk1.5 ได้ 80.40 บน EgoSchema เทียบกับ 81.20 ของ Gemini 3.8 Flash — เป็นการแพ้ 0.80 คะแนน — ขณะที่อ้างว่ามีความได้เปรียบ 12% บนซับเซต EgoSchema-hard ที่ 63.75 โมเดลที่ชนะอย่างชัดเจนในเรื่องเรขาคณิตของมือระดับละเอียด แต่แพ้อย่างหวุดหวิดบนเกณฑ์มาตรฐานความเข้าใจแบบกว้าง เป็นเครื่องมือเฉพาะทางประเภทหนึ่ง และมันกำลังถูกขายในฐานะนั้น

การแบ่งส่วนวัตถุในวิดีโอได้คะแนน 0.647 center-F1 และ 0.628 point-HOTA บน Molmo2-Track Perceptron กล่าวว่าผลลัพธ์นี้นำหน้า Molmo2-Track, Ref-DAVIS17 และ ReasonVOS แต่ตามหลัง MolmoPoint-8B บน MeViS valid_u เมื่อเทียบกับสายวิชันของ Qwen การเปรียบเทียบการติดตามนั้นคุ้มค่าที่จะอ่านอย่างละเอียด: ประกาศระบุว่า Qwen3-VL-8B อยู่ที่ 0.180 center-F1 จากเปเปอร์ของมัน และ Qwen3.5-27B อยู่ที่ 0.530 และ 0.476 — เช็คพอยต์ต่างกัน การตั้งค่าการประเมินต่างกัน และตัวเลขจากเปเปอร์ที่อยู่ในคอลัมน์เดียวกับตัวเลขที่วัดได้ นั่นไม่ใช่แถวที่เทียบกันแบบเดียวกัน

ผลลัพธ์ด้านเสียงรายงานเป็น DailyOmni 74.67, WorldSense 50.32, OmniBench 51.05 และ AVHBench 80.56 โดยไม่มีแถวเปรียบเทียบแนบมาด้วย ในการค้นหามัลติโมดัลเมื่อเปิดใช้เครื่องมือ Mk1.5 ทำได้ 56.0 บน LiveVQA-W จากการโหวตเสียงข้างมากจากสี่ตัวอย่าง เทียบกับ 53.2 ของ Gemini 3.8 Flash ที่ใช้ Google Search grounding, 51.0 ของ GPT-6 sol ที่ใช้ OpenAI web search และ 33.2 ของ GPT-5.2 online Perceptron ยังอ้างว่ามีคะแนนเพิ่มขึ้น 36.1 จุดบน MMSearch เมื่อเปิดใช้เครื่องมือ การโหวตเสียงข้างมากจากสี่ตัวอย่างเป็นเทคนิคที่ยอมรับได้ และทำให้คะแนนดูดีขึ้นเมื่อเทียบกับการรันแบบ greedy เพียงครั้งเดียว ดังนั้น 56.0 กับ 53.2 จึงไม่ได้วัดด้วยวิธีเดียวกัน

เวลาแฝง และวิธีวัดค่า 4.7×

ข้อกล่าวอ้างเรื่องความเร็วนั้นเป็นข้อที่มีแนวโน้มมากที่สุดที่จะถูกอ้างโดยไม่มีบริบท ดังนั้นต่อไปนี้คือบริบท Perceptron รายงานว่าเร็วขึ้นแบบ end-to-end สูงสุดถึง 4.7× จากค่ามัธยฐานของการรัน 3 ครั้งบน H100 ตัวเดียว โดยใช้พรอมต์จาก LMArena ที่จำกัดคำตอบไว้ที่ 256 โทเคน รวมถึง MIA-Bench และ Video-MME กับ Perception Test 4.7× นั้นเป็นกรณีแชท: จาก 5.2 วินาทีลดลงเหลือ 1.1 การตอบคำถามจากภาพ จาก 1.7 วินาทีเหลือ 0.51 ซึ่งประมาณ 3.3× วิดีโอ 60 วินาทีที่ประมวลผลครั้งละ 8 รายการ จาก 19 วินาทีเหลือ 9.1 หรือประมาณ 2.1×

ดังนั้น ตัวคูณพาดหัวคือค่าที่ดีที่สุดในสามค่า ไม่ใช่กรณีทั่วไป บน H100 ตัวเดียว สำหรับคำตอบสั้น เส้นทางแชตเร็วกว่าจริง 4.7 เท่า ในเวิร์กโหลดวิดีโอที่ embodied agent จะรันจริง มันใกล้เคียง 2 เท่า ทั้งสองเป็นตัวเลขที่ดี แต่มีเพียงตัวเดียวเท่านั้นที่เป็นพาดหัว

Isaac 0.1 และ 0.2 ถูกยกเลิกในวันเดียวกัน

บันทึกการเปลี่ยนแปลงของ Mk1.5 มีรายการที่สองลงวันที่ 25 กันยายน และเป็นรายการที่ส่งผลกระทบจริงจังสำหรับใครก็ตามที่ใช้งานในโปรดักชันอยู่แล้ว isaac-0.1, isaac-0.2-1b และ isaac-0.2-2b-preview ได้ถูกยกเลิกจาก Perceptron API แล้ว พวกมันไม่ปรากฏใน GET /v1/models อีกต่อไป หายไปจากเซิร์ฟเวอร์ MCP ที่โฮสต์ไว้ และคำขอที่ระบุชื่อเหล่านี้จะล้มเหลวด้วย HTTP 404 model_not_found.

มีการเปลี่ยนแปลงพฤติกรรมครั้งที่สองที่ซ่อนอยู่ในรายการเดียวกัน ซึ่งจะสร้างปัญหาให้กับโค้ดที่ไม่เคยเอ่ยถึงโมเดล Isaac เลย: ID โมเดลที่ไม่รู้จักตอนนี้ส่งคืน 404 แทนที่จะเป็น 400 ก่อนหน้านี้ ตรรกะการลองใหม่ สาขาข้อผิดพลาด หรือกฎการแจ้งเตือนใด ๆ ที่เคยจับคู่กับ 400 สำหรับชื่อโมเดลที่ไม่ถูกต้อง ตอนนี้ไม่จับคู่กับสิ่งใดเลย เส้นทางการย้ายข้อมูลที่ Perceptron ให้มาคือ perceptron-mk1.5.

การปลดระวางตระกูลโมเดลในวันเดียวกับที่คุณปล่อยรุ่นที่มาแทนมัน เป็นเรื่องราวการโยกย้ายที่สะอาดหมดจดและโหดร้ายในคราวเดียวกัน ถ้าคุณปักหมุดใช้ Isaac ไว้เพราะมันได้ผล คุณก็มีกำหนดเส้นตายที่ผ่านไปแล้ว

จะรันมันที่ไหน และจะลองใช้โดยไม่ต้องเดิมพันกับมันได้อย่างไร

การเข้าถึงทำได้ผ่าน API ของผู้ให้บริการเองและแพลตฟอร์มของบุคคลที่สามหลายแห่ง ปัจจุบัน OrcaRouter ไม่ได้กำหนดเส้นทางสำหรับ Perceptron Mk1.5 — โมเดลนี้ไม่ได้อยู่ในแคตตาล็อกของเรา — ดังนั้นคำแนะนำที่ตรงไปตรงมาคือให้เข้าไปที่ api.perceptron.incโดยตรงสำหรับโมเดลนี้ ซึ่งนั่นคือสิ่งที่ SDK และ PERCEPTRON_API_KEYตัวแปรสภาพแวดล้อมมีไว้เพื่อการนั้น

สิ่งที่ยังคุ้มค่าที่จะพูดอยู่ดี เพราะมันใช้กับการตัดสินใจมากกว่าตัวโมเดล: เช็กพอยต์อายุสองวันบนหน้าต่าง 36,864 โทเคนที่ตั้งค่าเริ่มต้นการคิดเหตุผลไว้ที่ high คือโปรไฟล์ของสิ่งที่คุณไม่ควรนำไปวางบนเส้นทางโปรดักชันโดยไม่ลองดูก่อนพอดี ลองรันกับเฟรมของคุณเองก่อน แล้ววัดสองอย่างโดยเฉพาะ — ว่าผลลัพธ์แบบมีโครงสร้างยังผ่านเคสขอบจริงของคุณหรือไม่ และ reasoning_effort: "high" ทำให้คุณเสียค่าใช้จ่ายต่อการเรียกเท่าไร เมื่อเทียบกับการลดลงไปเป็น medium หรือ low อย่างที่สองเป็นการแก้ไขบรรทัดเดียวที่มีผลโดยตรงต่อบิลของคุณ และเป็นการทดลองที่ถูกที่สุดในรีลีสนี้

รูปแบบที่กว้างกว่าซึ่งสิ่งนี้จัดอยู่ใน — โมเดลการรับรู้ที่คืนค่าเป็นเรขาคณิตแทนที่จะเป็นคำคุณศัพท์ — เป็นรูปแบบหนึ่งที่ OrcaRouter ถูกสร้างขึ้นมาเพื่อรองรับ API เดียวครอบคลุมโมเดลมากกว่า 200 รายการ โดยราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยคิดมาร์กอัป 0% ดังนั้นการเปลี่ยนแปลงราคาของผู้ให้บริการในโมเดลใดก็ตามจะมีผลฝั่งเราภายในวันเดียวกัน และ การสลับไปยังระบบสำรองอัตโนมัติหมายความว่าการเรียกใช้การรับรู้สามารถถอยกลับไปใช้โมเดลตัวที่สองแทนที่จะทำให้คำขอล้มเหลว หาก Mk1.5 เป็นสิ่งเดียวที่ผ่านเกณฑ์ความแม่นยำของคุณ ทั้งหมดนั้นก็ไม่ช่วยคุณในวันนี้ หากมันเป็นหนึ่งในผู้ท้าชิงหลายราย การรันการเปรียบเทียบผ่านปลายทางเดียวจะถูกกว่าการเชื่อมต่อ SDK ตัวที่สองเพื่อหาคำตอบ

สิ่งที่รีลีสนี้เป็นและไม่เป็น

Perceptron Mk1.5 เป็นเครื่องมือที่มุ่งเน้นเฉพาะทาง พร้อมชุดข้อจำกัดที่ตรงไปตรงมาอย่างผิดปกติติดมาด้วย มันคืนค่าพิกัด ไม่ใช่แค่คำบรรยาย มันอ่านเสียงได้ รวมถึงแทร็กเสียงของวิดีโอหากคุณเปิดใช้งาน มันเร็วสำหรับคำตอบแชตสั้น ๆ นอกจากนี้ยังเป็นโมเดลขนาด 36,864 โทเคน ที่มีเพดานเอาต์พุต 8,192 โทเคน ราคา $0.15 และ $1.50 ถูกวัดประสิทธิภาพทั้งหมดโดยผู้ขายของมันเอง และจำหน่ายโดยบริษัทที่ปลดระวางรุ่นก่อนหน้าในรายการบันทึกการเปลี่ยนแปลงรายการเดียวกัน

ถ้าปัญหาของคุณคือ “หามือให้เจอ ติดตามมือนั้นตลอดคลิป แล้วบอกว่ามันไปที่ไหนและเมื่อไร” ค่า hand-box คือสิ่งที่ควรทดสอบ ถ้าปัญหาของคุณคือความเข้าใจวิดีโอในภาพกว้างเมื่อเทียบกับโมเดลอเนกประสงค์ระดับแนวหน้า ตัวเลข EgoSchema — 80.40 เทียบกับ 81.20 — บ่งชี้ว่าคุณกำลังซื้อโมเดลเฉพาะทางที่ความสามารถพอ ๆ กัน และเหตุผลในการเปลี่ยนจะต้องมาจากเอาต์พุตแบบมีโครงสร้างกับความหน่วง ไม่ใช่จากความแม่นยำ