Perceptron Mk1.5 对比 Qwen 3.8：机器人两者皆需，且彼此不可替代

一个必须捡起某物的机器人需要模型提供两样东西，而这一组合中没有任何单一模型能同时给出这两者。Perceptron Mk1.5 返回几何信息：给定视频帧，它可以交回一个点、一个框、一个多边形或一个带时间戳的 <track> 元素，其上下文窗口为 36,864 个 token。Qwe​n 3.8——这个名字所指的是该厂商开放权重的 Qwen3.8-2.4T-A95B 核心——是一个 2.4 万亿参数的混合专家推理器，原生窗口为 262K，可扩展至接近一百万，而且它仅支持文本，因此完全无法查看这些帧。一个是感知层，每百万 token 收费 $0.15 和 $1.50；另一个是推理核心，输入成本约为前者的十三倍，输出成本约为前者的四倍，并且在 Artificial Analysis Intelligence Index 上拥有 40 的独立评分，而感知模型在任何地方都没有独立评分。

把它们并排当作相互竞争的产品，它们会在相反的方向上彼此落败，而这种比较也产生不出任何有用的东西。把它们并排看作同一条流水线的两半，它们几乎能解释具身栈中的每一个成本与可靠性决策：帧在哪里被解释、计划在哪里制定，以及当推理的那一半写出的 token 超过任务所需时，你的账单会发生什么。

让这种配对说得通的拆分

Perceptron Mk1.5 于 2026 年 9 月 25 日发布，是 Perceptron Mk1 的后继产品，其职责被严格限定。它接受文本、图像、视频和音频输入，并返回文本以及可选的结构化标注——点、边界框、多边形、片段和轨迹。<track> 输出同时携带空间观测结果及其所属的时间戳，因此一段 60 秒的片段返回的是随时间变化的位置，而不是一个平均后的猜测结果。asset_idx 字段让单个请求可以分别处理多个图像或视频，而这正是参考帧与实时帧对比所需要的。受约束的响应有两种形式，JSON Schema 和正则表达式，而两者的关键都在于输出是有类型的。

Qwen 3.8 是另一种截然不同的工具。其 2.4T 核心是一个细粒度 MoE——92 层，每层 512 个专家，其中 10 个路由专家加 1 个共享专家，且这 92 层中有 69 层采用线性注意力——正是这种设计让如此庞大的架构能够实现长上下文。它的强项在于跨大量文本进行推理：复杂的多步骤分析、长推导、智能体规划。它的短板则在输入侧。其开放核心仅支持文本，而且推理无法关闭：无论你是否需要，每次响应都会以一个思考块开头。

这不是推理模型的缺陷；这是感知模型的缺陷，而 Qwen 3.8 并不是感知模型。把两者按顺序放在一起，形态就显而易见了——Mk1.5 回答“叉车在哪里、它什么时候移动了”，Qwen 3.8 回答“既然如此，机械臂该做什么”。这两个问题都不是另一个模型能回答的。

每一半的费用是多少，按实际计费的费率计算

• 输入 — Perceptron Mk1.5 每百万 token $0.15。Qwen 3.8 在独立测试框架所测量的托管版本上为每百万 $2.00，并应用了 88% 的缓存折扣，这使得缓存命中的价格降至约 $0.24。

• 输出 — Mk1.5 每百万 $1.50。Qwen 3.8 每百万 $6.00。

• 缓存 — Mk1.5 的缓存输入为每百万 $0.0375，恰好是其标准输入费率的四分之一。Qwen 3.8 的折扣基于百分比，但幅度更大，达到 88%，因此其缓存费率在绝对值上是两者中更低的，而其未缓存费率是 Mk1.5 的十倍以上。

• 每个已完成任务的成本——排名正是在这里发生反转。Artificial Analysis 将 Qwen 3.8 每项 Intelligence Index 任务的成本定为 2.16 美元，在其所属类别的 115 个模型中排名第 32，并在成本方面获评满分（4/4）——尽管 token 昂贵，但每个已完成任务成本低廉，因为该模型在 Intelligence Index 的各轮运行中共生成 1.7 亿个输出 token，而与之相比的同场模型则更加冗长。Mk1.5 则没有任何人发布过同类可比数据。

• 上下文 — Mk1.5 为 36,864 个 token，而 Qwen 核心原生支持 262K，在合适的服务配置下可扩展至一百万。

• 推理控制——Mk1.5 暴露 reasoning_effort，可选 high、medium、low、minimal 或 none，默认为 high。Qwen 3.8 将思考锁定为开启状态，因此每次调用你都要为思考 token 付费。

把那份列表读两遍，因为这两个模型在成本上正好相反。按 token 计算，Mk1.5 要便宜得多。而在独立基准测试中按完成的任务计算，Qwen 3.8 测出来成本很低，Mk1.5 则没有测量数据。只有当你假设它们在做同一项工作时，这两种说法才会相互矛盾，而事实并非如此。

这里的证据恰恰指向相反的方向

在这批对比的大多数情况下，开放权重的一侧是拥有一堆厂商自报数字的一方，而闭源 API 则是拥有第三方页面的一方。这里情况反过来了，而这一反转值得明确指出，因为它改变了你能验证什么、不能验证什么。

Qwen 3.8 有独立测量。Artificial Analysis Intelligence Index 给 2.4T 核心打出 40 分，在撰写本文时于同类别的 115 个模型中排名第 5，输出速度为每秒 39.6 个 token——在 115 个中位列第 56，处于中游，在任何人计划围绕它搭建交互式循环之前，这一点值得了解。指数修订会在不同快照之间变化，诚实解读这些数字的方式都是将其视为方向性的，但这一点依然成立：阿里巴巴之外的某个人已经运行了这个模型，并公布了一个数字。

Perceptron Mk1.5 没有这种东西。对于 Mk1.5 或其前代，既没有 Artificial Analysis 条目，也没有竞技场得分，因此现存的每一项能力数据，都是 Perceptron 针对自家模型给出的。这套数据具体得不同寻常，这是它有利的一面——在厂商自己的运行中，egocentric hand_box 上为 0.9433，而 Gemini 3.1 Pro 为 0.4467；EgoSchema 为 80.40，同一竞争对手为 81.20，在广义理解基准上小幅落后，同时据称在更难的 EgoSchema 子集上以 63.75 取得 12% 的优势；在 Molmo2-Track 上，centre-F1 为 0.647，point-HOTA 为 0.628——但具体和经过独立验证是两种不同的属性，只有后者才能告诉你，在你的素材上会发生什么。

关于阅读 Perceptron 的表格，有两点提醒，这两点对该表格的任何引用都适用。LiveVQA-W 在启用工具时的 56.0 这一数字来自四样本多数投票，而与之对照的 Gemini 3.8 Flash 在 Google Search grounding 下的 53.2 并非多数投票；这种做法本身是合理的，但相对于单次贪心解码，它会抬高分数。此外，跟踪那一行把 Qwen3-VL-8B 列为 0.180 centre-F1，取自该模型的论文，却与属于另一检查点家族的实测数字同处一列。实测列中的论文数字并非同类可比的一行，而这正是那种会被引用却不提及其来源的条目。

2.4T 核心不是你能从我们这里调用的东西——但它的架构是。

对比的这一部分，正是诚实答案与模型名气所暗示的内容不一致的地方。Qwen 3.8 这个名字被广泛用来指代开放核心，而开放核心是一个下载项，而非一个端点：2.4TB 的 BF16 权重，采用阿里巴巴定制的 Qwen3.8-Max 许可，于 2026 年 8 月发布。我们并不提供它，而且在我们这一侧，如今也没有任何提供商在提供它——该目录条目只是一个已宣布、尚未可用的跟踪页面，而非一条实时路由。

我们真正提供的，是构建在同一 2.4T 架构之上的旗舰 API。它已上线，模型名为 qwen/qwen3.8-max，每百万 token 收费 2.00 美元和 6.00 美元，直接沿用阿里巴巴自己的价格，每 token 不加任何加价，具备 100 万 token 的多模态窗口——支持文本、图像和视频输入——以及与开放核心相同的混合注意力设计。如果你的推理那一半需要看到任何东西，那就是该走的路径，而且在这条路径上，供应商的价格变动当天就会落到我们这边，而不是等到你的下一个计费周期。与此同时，我们还提供阿里巴巴的稠密同门 qwen/qwen3.8-27b，运行在我们自己的基础设施上，每百万 token 收费 0.33 美元和 2.40 美元，拥有 262,144 token 的窗口，支持文本、图像和视频输入，适用于 27B 推理模型已经够用、而 2.4T 的 40 这一索引超出任务所需的情况。

将这两部分连接起来，无需第二份契约

这种配对之所以比基准测试论点更重要，实际原因在于，一个具身技术栈已经是两个模型，而第三个模型的集成成本正是会悄无声息地毁掉设计的东西。Mk1.5 不在我们的目录中，因此要接入它就意味着要调用供应商自己的 API——pip install "perceptron>=0.4.0"，密钥填入 PERCEPTRON_API_KEY，端点为 api.perceptron.inc。Qwen 这一半只差一个密钥。

网关真正体现价值的地方在于衔接处。当感知模型和推理模型都置于同一个兼容 OpenAI 的端点之后时，一条把每个带有问题的帧都送往感知模型、把每一份纯文本计划都送往推理模型的路由规则就只是一行配置；而自动故障转移意味着任何一侧的供应商事故都会降级为回退，而不是让机器人陷入停滞。一个 API 覆盖 200 多个模型、并以 0% 加价率透传标价，这也是回答本文无法回答的那个问题的最省钱方式：你的目标跟踪任务到底是否需要 Mk1.5 的坐标，还是一个窗口大得多、评分独立的通用视觉模型就已经足够。在候选模型之间分流一部分真实流量，并在自己的帧上做测量，成本低于你能委托的任何基准研究。

具体来说，这个该怎么处理？

如果你正在把感知能力构建进一个物理系统，Perceptron Mk1.5 是这组搭配中唯一以坐标作答的模型，这是一种能力，而不是一项分数——请在你自己的视频上测试手部边界框（hand-box）的说法，刻意设置 reasoning_effort，而不是接受较高的默认值，并把 36,864 token 的窗口当作硬约束而非软约束来规划预算。如果你正在它之上构建推理层，Qwen 3.8 在 Mk1.5 未被衡量的方面有评测数据，而你要据以规划的是其每完成一项任务的成本，而不是 $2.00 这个标题数字——但需注意，它的思考无法关闭，因此一个不需要思维链的任务无论如何都在为此付费。

把这件事搞错的团队，往往是那些试图让一个模型同时承担两者的团队。一个 36,864 token 的感知专用模型无法承载运行历史，而一个纯文本的 2.4T 推理模型也永远看不到画面。这种配对并不是两个产品之间的妥协。它就是实际的分工，而真正有用的问题只有一个：你的每一次调用分别属于这条分界的哪一侧。