Perceptron: Perceptron Mk1.5

Perceptron Mk1.5 は Perceptron のテキストモデルで、api14 にモデル ID perceptron/perceptron-mk1.5 として掲載されています。Perceptron はこれを物理エージェント向けの身体性推論モデルと説明しており、書かれた言語だけでなく物理世界を解釈する必要があるシステムを扱う市場領域に位置づけられます。提供元によるリリースは 2026 年 9 月 25 日です。

このモデルはテキスト、画像、動画、音声を入力として受け取り、テキストを返します。この組み合わせは一見した以上に重要です。1 つのリクエストに、書かれた指示とカメラのフレーム、録画クリップ、または音声コマンドを同時に含めることができ、モデルはそれらすべてをまとめて推論します。コンテキストウィンドウは 36,864 トークンで、最大出力は 8,192 トークンです。単純なテキスト回答に加えて、提供元は点、ボックス、ポリゴン、トラックなどの任意の構造化アノテーションを説明しており、これによりモデルは位置や動きをプログラムが直接利用できる形式で表現できます。

これらの機能は、かなり特定の用途群を示しています。明らかなのはロボティクスと身体性エージェントの作業で、ここではモデルが言語とセンサーが示している内容を関連づけ、段落ではなく座標や領域を出力する必要があります。動画と音声の入力は、シーンや録画の中で何が起きているのか、またその中で関連するイベントがどこで発生するのかが問われる検査や監視のタスクにも適しています。出力を構造化できるため、結果は間に解析レイヤーを挟まずに、下流のプランナー、ラベリングパイプライン、またはインターフェースに供給できます。

api14 の OpenAI 互換 API を通じて、モデル ID perceptron/perceptron-mk1.5 を使って呼び出せるため、既存の OpenAI クライアントライブラリはベース URL とモデル名を変更するだけで動作します。サポートされるリクエストパラメータは frequency_penalty、include_reasoning、max_tokens、presence_penalty、reasoning、reasoning_effort、structured_outputs、temperature、tool_choice、tools、top_k、top_p です。ツール呼び出しと構造化出力の両方が利用でき、これはアノテーションのユースケースに適合します。また reasoning パラメータにより、回答前にモデルが行う内部推論の量を制御できます。

計画時に考慮すべき主な制約は 36,864 トークンのコンテキストウィンドウです。動画や音声が関与すると、メディア入力がその予算の一部を消費するため、これは控えめな値になります。8,192 トークンの出力上限も、1 回の呼び出しで非常に長い文書を生成することを排除します。タスクが長文の純粋なテキスト生成である場合、またははるかに大きなコンテキストを必要とする場合は、より大きなウィンドウを持つテキスト専用モデルのほうがおそらく適しています。Perceptron Mk1.5 は、入力が真にマルチモーダルで、回答を空間、時間、またはその両方に基づかせる必要がある場合に、より強い選択肢となります。