在传统视觉语言模型（VLM）中，视频往往被简化为不连续的静态图像序列，导致模型难以理解因果关系、物体动态及时间连续性。Perceptron Mk1 应运而生——这是由 Meta FAIR 前科学家 Armen Aghajanyan 创立的 Perceptron Inc. 推出的旗舰专有模型，旨在构建真正的“物理 AI”。
- 官方介绍：https://www.perceptron.inc/blog/introducing-perceptron-mk1
Mk1 不仅以低于竞争对手 80-90% 的成本（输入 $0.15/M tokens，输出 $1.50/M tokens）提供企业级视频分析能力，更在空间推理、时间连续性及物理定律理解上实现了突破。它在 EmbSpatialBench 和 VSI-Bench 等权威基准测试中取得 SOTA 成绩，性能比肩 GPT-5 与 Gemini 3.1 Pro，却拥有接近“Lite”版本的价格结构，标志着视频智能从“实验性研究”迈向“大规模工业应用”的新纪元。
核心亮点：物理推理、时间连续、极致性价比
1. “物理 AI”：理解因果与动态，而非仅识别像素
- 物理定律推理：Mk1 能联合推理物体位置、速度与时间读数。例如，通过分析篮球在空中的轨迹与计时器读数，精准判断投篮是否在蜂鸣器响起前完成。
- 复杂场景解析：支持高密度场景中的像素级指向与计数（多达数百个物体），并能高可靠性地读取模拟仪表、时钟等传统数字视觉系统的盲区。
- 世界知识融合：具备强大的通用历史与世界知识，能仅凭视觉风格准确识别复古影片年代（如 1906 年纽约建筑影像），并结合内容描述提供深度语境。
2. 原生时间连续性架构
- 非离散帧处理：不同于传统 VLM 将视频视为独立图片，Mk1 专为时间连续性设计，能在高达 32K token 的上下文窗口中以 2 FPS 处理原生视频流。
- 对象恒常性：即使在遮挡、快速运动或长时间跨度下，也能保持对同一对象身份的追踪，这对机器人导航、安防监控至关重要。
- 结构化时间码返回：开发者可通过自然语言查询长视频中的特定时刻，模型直接返回精确时间码，极大简化视频剪辑与事件检测流程。
3. 效率前沿：SOTA 性能，Flash 价格
- 极致成本控制：
- 输入：$0.15 / 百万 tokens
- 输出：$1.50 / 百万 tokens
- 综合成本：约 $0.30 / 百万 tokens，比 GPT-5 和 Gemini 3.1 Pro 便宜 80-90%。
- 性能对标：在保持低成本的同时，其推理分数达到或超过前沿模型，占据“效率前沿”的独特生态位。
4. 基准测试全面领先
| 基准测试 | 任务类型 | Perceptron Mk1 得分 | 对比表现 |
|---|---|---|---|
| EmbSpatialBench | 空间推理 | 85.1 | 超越 Google Robotics-ER 1.5 及阿里 Q3.5-27B |
| RefSpatialBench | 指代表达理解 | 72.4 | 大幅领先 GPT-5m 及 Sonnet 4.5 |
| EgoSchema (Hard) | 视频因果推断 | 41.4 | 持平阿里 Q3.5-27B，显著击败 Gemini 3.1 Flash-Lite |
| VSI-Bench | 实际时间推理 | 88.5 | 所有比较模型中的最高分 |
开发者平台与 SDK
Perceptron 提供 Python SDK，将高级感知能力转化为易用函数：
- Focus：根据自然语言提示，自动缩放并裁剪至帧的特定区域（如“聚焦于左侧穿红衣服的人”）。
- Counting：针对密集场景优化的计数功能，支持数百个物体的精准统计。
- Contextual Learning：支持少样本学习，仅需提供几个示例即可让 Mk1 适应特定垂直领域任务。
许可策略：闭源旗舰 + 开源替代
- Perceptron Mk1 (API)：闭源专有模型，专为企业级高性能、高安全性需求设计，通过 API 提供服务。
- Isaac 系列 (Open Weights)：开放权重模型，托管于 Hugging Face。为需要本地部署、最大控制权或定制微调的企业提供商业许可证选项。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
