Maaari ko bang patakbuhin ang Perceptron Mk1.5 nang lokal?

Hindi — hindi publiko ang mga timbang at walang Hugging Face repository. API-only ito.

Magkano ang presyo at gaano kahaba ang context?

Ang presyo ay $0.15 bawat milyong input tokens at $1.50 bawat milyong output tokens, na may context window na 36,864 token.

Paano ito naiiba sa karaniwang multimodal na modelo?

Karamihan sa mga multimodal na modelo ay nagbabalik ng mga tekstong paglalarawan ng kanilang nakikita; ang Mk1.5 ay maaari ring maglabas ng structured spatial annotations — mga punto, kahon, polygon — at temporal clip markers para sa video, kaya direktang magagamit sa mga agent at computer-vision pipelines nang walang hiwalay na parsing step.

Perceptron Mk1.5

4320°

#llm #perceptron #paningin #audio #video #pangangatwiran

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Perceptron | 36,864 token context | $0.15/M input, $1.50/M output. Ang Perceptron Mk1.5 ay embodied reasoning model ng Perceptron para sa mga physical agent. Tumanggap ito ng text, imahe, video, at audio input, at sumasagot gamit ang text kasama ang opsyonal na structured annotations: points, boxes, polygons, tracks, at clips. Sinusuportahan nito ang graded reasoning gamit ang standard na controls sa pangangatwiran, function tool calling, at structured outputs sa pamamagitan ng JSON Schema. Ang mga structured annotation ay inilalabas inline sa text lamang kapag hiniling gamit ang annotation_format parameter ("point", "box", o "polygon" para sa spatial localization sa mga imahe, "clip" para sa temporal segments sa video). Ang mga soundtrack ng video ay sinusuri lamang kapag hayagang pinagana sa bawat request.

Mga gabay para sa model na ito

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Paano pumili ng AI model sa Oktubre 2026: ang balita sa closed source, tapos ang open weights na sulit i-download

Ang 10 pinakamurang alternatibo sa ChatGPT sa 2026: libreng lokal na mga modelo, libreng tier at flat-rate na mga plano

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Perceptron Mk1.5 ay reasoning model ng Perceptron na ginawa para sa mga physical agent: tumatanggap ito ng teksto, larawan, video, at audio bilang input at maaaring magbalik hindi lang teksto kundi structured spatial at temporal annotations — mga bounding box, polygon, point localization, at mga segment ng video clip. Ang format ng output na ito ang kaibahan; karamihan sa mga multimodal na modelo ay humihinto sa teksto. Angkop ito para sa robotics pipelines, computer vision workflows, at anumang sistema na nangangailangan ng modelo na mag-isip kung saan naroroon ang isang bagay, hindi lang kung ano ito.

Kilalang-kilala sa

Nagbabalik ng structured spatial annotations: mga punto, kahon, at polygon sa mga larawan
Temporal clip annotations para sa video, kapaki-pakinabang sa mga agent at pipeline na konteksto
Tumatanggap ng teksto, larawan, video, at audio sa isang kahilingan
Sinusuportahan ang function tool calling at JSON Schema structured outputs
May graded reasoning depth gamit ang standard na control sa reasoning

Mag-ingat sa

Saradong mga timbang, API-only — hindi mo ito mapapatakbo nang lokal o masusuri ang modelo
Ang video audio analysis ay naka-off bilang default; kailangan mo itong i-enable sa bawat kahilingan nang tahasan
Ang context window ay 36,864 token, na katamtaman para sa mahahabang video o dokumento

Pinakamainam para sa

Mga ahente at paggamit ng tool

Mga prompt na subukan

Hanapin ang mga bagay sa larawan

Mag-attach ng larawan ng magulong mesa. Ibalik ang bounding boxes para sa bawat elektronikong aparato na nakikita, na may isang salitang label para sa bawat isa. Gamitin ang annotation_format: box.

Pagkuha ng segment ng video

Nag-attach ako ng maikling video ng linya ng paggawa. Tukuyin ang bawat interval kung saan pumapasok ang kamay ng tao sa frame at ibalik ito bilang clip annotations na may oras ng simula at pagtatapos at maikling paglalarawan ng ginagawa ng kamay.

Agent action planning

Kinokontrol mo ang isang mobile robot sa isang warehouse. Ang naka-attach na larawan ay ang kasalukuyang camera view ng robot. Tukuyin ang pinakamalapit na navigable na daan papunta sa pulang estante, ilarawan ang anumang mga hadlang, at ibalik ang polygon annotation na naglalarawan ng inirerekomendang travel corridor.

Ihambing sa

Perceptron Mk1
Modelong API lang
32,768 token na konteksto · $0.15/M input, $1.50/M output
DeepSeek V4.1 Flash
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.04/M input, $0.68/M output
GLM 5.3 Flash
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.02/M input, $0.72/M output
MiMo-V2.6-Flash
Modelong bukas ang timbang
1,050,000 token na konteksto · $0.14/M input, $0.28/M output

Higit pang mga text model mula sa perceptron

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Perceptron Mk1.5 nang lokal?: Hindi — hindi publiko ang mga timbang at walang Hugging Face repository. API-only ito.
Magkano ang presyo at gaano kahaba ang context?: Ang presyo ay $0.15 bawat milyong input tokens at $1.50 bawat milyong output tokens, na may context window na 36,864 token.
Paano ito naiiba sa karaniwang multimodal na modelo?: Karamihan sa mga multimodal na modelo ay nagbabalik ng mga tekstong paglalarawan ng kanilang nakikita; ang Mk1.5 ay maaari ring maglabas ng structured spatial annotations — mga punto, kahon, polygon — at temporal clip markers para sa video, kaya direktang magagamit sa mga agent at computer-vision pipelines nang walang hiwalay na parsing step.

Hatol ng Kapitan
Kung kailangan mo ng modelo na nagsasabi kung saan naroroon ang isang bagay — hindi lang kung ano ito — at maaaring isama sa isang agent pipeline, ang Mk1.5 ay ginawa para doon.

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Perceptron Mk1.5 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm perceptron paningin audio video pangangatwiran mga ahente

Mag-browse ayon sa pamilya ng model