Perceptron Mk1 押注视频AI的未来在于观看而非生成

AI视频中最关键的分野与片段外观的真实度无关，而在于生成视频的模型与理解视频的模型之间。企业问题很少以“生成一个电影感的仓库场景”这样的提示词开始。它们始于问题：操作员在将箱子放到传送带上之前是否扫描了条形码？机器人的抓取是成功还是滑落？叉车在什么时候挡住了摄像头？

这些都属于理解任务：时间推理、目标跟踪、OCR、事件定位、空间定位、结构化输出。生成模型无法提供其中任何一项，而任何将两类模型混为一谈的“最佳视频模型”排行榜都会掩盖这一点。

目录

• 关键分野：生成与理解
• Perceptron Mk1：为观看而生，为运行而定价
• 为什么视频比图像更难
• 两个产品家族，两个竞争格局
• 如何阅读视频基准测试而不自欺欺人
• 视频理解下一步走向何方

关键分野：生成与理解

Perceptron Mk1 属于理解分支。Perceptron 称其为旗舰级闭源视觉语言模型，支持图像、视频和推理，并以“前沿视频与具身推理”为核心发布，同时将模型 ID 记录为 perceptron-mk1：文本、图像和视频输入，文本输出，32K token 上下文窗口。

除了演示之外，这一类别的价值还有研究层面的原因。S-EMBER 是一个视频理解基准，出自我们关于时间定位的报道。该基准发现，语义推理会随规模持续提升，而时间定位精度在扩大参数、分辨率或每秒帧数时却保持不变。更大的模型并不会带来更可靠的时间戳。

Perceptron Mk1：为观看而生，为运行而定价

官方规格：每百万输入 token 0.15 美元，每百万输出 token 1.50 美元，支持 PNG、JPEG、WebP、MP4 和 WebM，可选推理模式，视频在 32K 上下文内以最高 2 FPS 的动态帧率进行分析。Perceptron 表示，Mk1 是一个新闭源系列的首款模型，在图像、视频和具身推理方面超越了此前的开源 Isaac 系列，并以显著更低的成本匹配前沿性能。该指南信息截至 2026 年 5 月 12 日，并提醒供应商页面和访问条款变化很快；采购前请核实定价。

价格是最容易被忽略的部分。视频推理成本高昂，因为一个片段会变成大量视觉 token。作为参考，我们对 Claude Sonnet 5 发布的报道记录了每百万输入 token 2 美元、每百万输出 token 10 美元的入门定价，而DeepSeek V4 的定价调整将工作时间的输出 token 定价为每百万 1.74 美元。按这些数字计算，Mk1 在支持视频输入的同时，价格低于这两款旗舰模型。

产品界面看起来像工作流清单，而非聊天机器人。视频Q&A接受MP4或WebM，并回答基于视频内容的问题。视频剪辑返回带时间戳的片段。上下文学习允许你展示一个参考片段，并在新素材中搜索匹配项。结构化输出将响应约束为 Pydantic 模型、JSON Schema 或正则表达式，并将点、框、多边形、轨迹和片段作为一等输出。

发布材料明确表达了这一意图。物流团队不想要一个仅仅说“托盘存在”的模型。他们想要的是可以直接采取行动的事件记录：{"event": "pallet_arrived", "camera": "dock_3", "start": 217.4, "end": 229.8, "confidence": 0.84}。

为什么视频比图像更难

一张静态图片告诉你杯子在桌子上。一段视频则告诉你有人拿起它、犹豫了一下、倒了水、把它放回去、碰倒了它，然后擦干了桌子。每个事件都依赖于时间，而时间带来的问题是图像模型从未面对过的。

该指南列出了七项：时间排序（条形码是在箱子碰到传送带之前扫描的吗）、物体恒存性（同一个箱子经过手推车后方）、动作识别（靠在机器旁不等于按下紧急停止按钮）、时间定位（时间戳就是产品本身）、多模态融合（幻灯片、语音、记分牌、警报）、长时记忆（数小时的素材、稀疏事件）以及输出结构（JSON、框、轨迹、片段）。这就是图像VQA的能力无法迁移的原因。

两个产品家族，两个竞争格局

生成分支是人人都知道的那个：Google 的 Veo 3.1 和 Veo 3.1 Lite、Runway Gen-4.5、Luma Ray、Kling、Seedance，以及带同步音频的 OpenAI Sora 2 Pro。一个规划提示：当前的 Sora API 文档将 Sora 2 生成模型和 Videos API 标记为已弃用，计划于 2026 年 9 月 24 日关闭。

理解分支有自己的格局。Gemini 是宽泛的基准：原生多模态的 Gemini 3.1 Pro 支持高达 1M token 的上下文窗口，其视频文档涵盖时间戳、Files API、Cloud Storage 和 YouTube URL。Qwen3-VL 是开放权重路线，从 2B 稠密模型到 235B-A22B 的混合专家模型，原生 256K 上下文可扩展至 1M。Cosmos Reason 2 提供 2B、8B 和 32B 三种尺寸，专为物理AI设计，支持 2D 和 3D 点定位。TwelveLabs 将任务拆分：Marengo 负责语义搜索，Pegasus 负责摘要和视频转文本。

Llama 4 Scout 和 Maverick 是基于视频帧静态图像训练的开源多模态模型，适用于基于帧的系统，但并非原生的视频分析 API。Claude 以图像为中心，最擅长作为从抽取帧上进行推理的推理层。OpenAI 的 API 目前仅支持文本和图像输入，因此团队需要构建帧抽取流水线。Mk1 完全处于理解分支：Gemini 是衡量其能力的基准，而 Qwen3-VL 和 Cosmos Reason 2 在需要自托管时仍是开放权重的替代选择。

如何阅读视频基准测试而不自欺欺人</h2