Perceptron: Perceptron Mk1.5

Perceptron Mk1.5 to model tekstowy od Perceptron, wymieniony na api14 pod identyfikatorem modelu perceptron/perceptron-mk1.5. Perceptron opisuje go jako ucieleśniony model rozumowania dla agentów fizycznych, co sytuuje go w tej części rynku, która zajmuje się systemami mającymi interpretować świat fizyczny, a nie tylko język pisany. Został udostępniony przez dostawcę 25 września 2026.

Model przyjmuje jako dane wejściowe tekst, obraz, wideo i dźwięk, a zwraca tekst. Ta kombinacja ma większe znaczenie, niż początkowo się wydaje: pojedyncze żądanie może zawierać pisemną instrukcję wraz z klatką z kamery, nagranym klipem lub poleceniem głosowym, a model rozumuje na podstawie ich wszystkich jednocześnie. Okno kontekstu wynosi 36 864 tokeny, a maksymalna długość danych wyjściowych to 8 192 tokeny. Poza zwykłymi odpowiedziami tekstowymi dostawca opisuje opcjonalne ustrukturyzowane adnotacje, takie jak punkty, ramki, wielokąty i ścieżki, co pozwala modelowi wyrażać położenie i ruch w formie, którą program może przetworzyć bezpośrednio.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Robotyka i praca z ucieleśnionymi agentami to oczywisty przypadek, w którym model musi powiązać język z tym, co pokazuje czujnik, a następnie wygenerować współrzędne lub obszary zamiast akapitu. Wejście wideo i audio pasuje również do zadań inspekcji i monitorowania, gdzie pytanie dotyczy tego, co dzieje się w scenie lub nagraniu i gdzie w nim występuje istotne zdarzenie. Ponieważ dane wyjściowe mogą być ustrukturyzowane, wyniki mogą zasilać planer niższego poziomu, potok etykietowania lub interfejs bez warstwy parsującej pomiędzy.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu perceptron/perceptron-mk1.5, więc istniejące biblioteki klienckie OpenAI działają po zmianie bazowego adresu URL i nazwy modelu. Obsługiwane parametry żądania to frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, reasoning_effort, structured_outputs, temperature, tool_choice, tools, top_k i top_p. Wywoływanie narzędzi i ustrukturyzowane dane wyjściowe są dostępne, co pasuje do przypadku użycia z adnotacjami, a parametry rozumowania pozwalają kontrolować, ile wewnętrznego namysłu model wykonuje przed odpowiedzią.

Głównym ograniczeniem, które trzeba uwzględnić w planowaniu, jest okno kontekstu wynoszące 36 864 tokeny, które jest skromne, gdy w grę wchodzi wideo lub audio, ponieważ wejście multimedialne zużywa część tego budżetu. Górny limit danych wyjściowych wynoszący 8 192 tokeny również wyklucza bardzo długie generowane dokumenty w jednym wywołaniu. Jeśli Twoje zadanie polega na czystym generowaniu tekstu o dużej długości albo wymaga znacznie większego kontekstu, lepiej posłuży Ci model wyłącznie tekstowy z większym oknem. Perceptron Mk1.5 jest lepszym wyborem, gdy dane wejściowe są rzeczywiście multimodalne, a odpowiedź musi być osadzona w przestrzeni, czasie lub w obu tych wymiarach.