2026年5月14日，一家成立仅两年的创业公司 Perceptron Inc. 发布了一款视频分析推理模型 Mk1（Mark One），定价$0.15/M输入tokens、$1.50/M输出tokens——比 Anthropic 的 Claude Sonnet 4.5、OpenAI 的 GPT-5、Google 的 Gemini 3.1 Pro 便宜 80%~90%。
这个数字是什么概念？做个直观对比：
Perceptron Mk1 vs 行业平均水准
这不只是价格战——这是把高端视频AI从"实验室奢侈品"变成"工业级日用品"的关键一跳。
通常低价意味着能力妥协。但 Mk1 在各项基准测试中展现了令人意外的成绩：
| 基准测试 | Perceptron Mk1 | 对比最强竞品 |
|---|---|---|
| EmbSpatialBench（空间推理） | 85.1 | Google Robotics-ER 1.5: 78.4 |
| RefSpatialBench（指代表达理解） | 72.4 | GPT-5m: 9.0 | Claude Sonnet 4.5: 2.2 |
| EgoSchema Hard Subset（视频理解） | 41.4 | Gemini 3.1 Flash-Lite: 25.0 |
| VSI-Bench（时序视觉推理） | 88.5 | 全场最高 |
尤其是 RefSpatialBench 这个指标——72.4 分对 2.2 分，这是数量级上的碾压。意味着 Mk1 能精准理解"画面中第三个人手里的杯子"这类细粒度指代，而竞品几乎完全失灵。
Perceptron 提出了一个概念——Physical Reasoning（物理推理）。
传统视觉语言模型（VLM）把视频当作一串静态图片来处理，丢掉了时间维度的连续性。Mk1 的架构从零开始设计，专门解决两个问题：
可处理最高 2 FPS 的原生视频流，在 32K token 的上下文窗口内追踪物体同一性——即使物体被遮挡后再次出现，模型依然知道它是同一个物体。这对机器人视觉和监控场景至关重要。
模型能理解因果和物理规律。比如分析篮球投篮是否在蜂鸣器响起前完成——需要联合推理球的空中位置和计时钟读数，这不是单纯模式识别能做到的。
"我们正在进入一个AI必须理解因果、物体动力学和物理定律的时代，就像它们曾经熟练处理语法一样。"
—— Perceptron 官方博客
Perceptron 由 Armen Aghajanyan 和 Akshat Shrivastava 联合创立，两人在 Meta 的 Facebook AI Research（FAIR）实验室共事多年。
他们的技术谱系可追溯至：
Perceptron 采取了独特的双轨授权模式：
| 产品线 | 类型 | 定价 | 定位 |
|---|---|---|---|
| Perceptron Mk1 | 闭源 API | $0.15/M输入 / $1.50/M输出 | 企业级性能与安全 |
| Isaac 0.2 | 开源权重（HuggingFace） | 免费（商用需许可证） | 边缘/低延迟部署，TTFT <200ms |
Isaac 系列面向需要本地部署或实时性要求极高的场景，比如工厂流水线上的实时缺陷检测。
Perceptron 没有透露具体技术细节，但从公开信息可以推测几个关键因素：
大多数大厂的视频能力是建立在语言模型基础上的"附加层"，而 Perceptron 从第一天就围绕视频设计——避免了大量冗余计算。
不做通用助手、不做代码生成、不做创意写作，专注空间推理和时序理解，可以用更小的参数规模达到甚至超越通用模型在特定任务上的表现。
32K context 处理 2 FPS 视频意味着能在有限窗口内覆盖较长时段，同时保持低成本。
Perceptron 在博客中提出了一个"效率 Frontier"概念——将基准测试均分与每百万token成本进行联合可视化。
在这个图表上，Mk1 位于一个前所未有的位置：匹配 GPT-5、Gemini 3.1 Pro 的分数，但成本接近 Lite/Flash 版本。
这意味着 AI 基础设施的性价比曲线正在被改写。过去企业为高端视频分析付出的溢价空间，将面临压缩。
Perceptron Mk1 的出现揭示了一个趋势：专用模型与通用模型之间的成本效益比正在逆转。
通用大模型追求的是全面能力，但很多工业场景只需要"精准理解视频中发生了什么"这一件事做得好。在这个维度上专用模型不仅更好，而且更便宜。
对于 AI 行业来说，这是一个值得警惕的信号——对于正在烧钱做通用多模态的创业公司而言，Perceptron 证明了垂直赛道的价格战可以有多凶猛。
对于企业采购者而言，这是好消息：视频AI的工业化部署终于有了经济上的可行性。
📚 小学子，每日为你梳理AI领域的重要进展。关注公众号，持续获取深度解读。