# 一个模型开无人机也开机器狗：Perceptron Mk1.5 宣称提速 2–5 倍，托管平台记录的是 P99 30.95 秒

> 同一模型不用重训就能管无人机、四足和眼镜，这个卖点很亮。但真正决定它能不能上本体的是另一组数字：端到端延迟中位数 2.79 秒，P99 30.95 秒，工具调用错误率 5.55%。

### TLDR

- **一个模型覆盖三类本体**：Mk1.5 是**单一具身智能体模型**，面向无人机、四足机器人、智能眼镜及其他物理系统，**无需为每个平台单独做一次重训**。
- **上下文口径有两个**：The Neuron 记为 **32K** 上下文，OpenRouter 模型页记为 **37K**——两个数字并列，报道未说明差异来源。
- **官方自报的提速**：在同硬件下端到端比 Mk1 **快约 2–5 倍**；官方同时称在 **4 项视频目标分割基准中的 3 项领先**、EgoSchema 困难子集**提升 12 分**、内部 EgoChores 测试手部定位比 Gemini 3.8 Flash **好 50%**。以上均为**厂商自报**，The Neuron 已明确标注。
- **定价**：**$0.15 / $1.50** 每百万输入 / 输出 token。
- **音频被提为一等模态**：官方示例为**用多普勒效应预测卡车最接近观察者的精确时间戳**。
- **托管平台实测（近三日）**：端到端延迟 **P50 2.79 秒、P95 14.77 秒、P99 30.95 秒**；工具调用错误率 **5.55%**；结构化输出错误率 **1.83%**；可用性 **99.97%**；缓存命中率 **0.0%**。

### SRC

本文事实来自三方：The Neuron **2026-09-25**（周五）AI 快讯对 Mk1.5 的发布要点整理、OpenRouter 模型页 `perceptron/perceptron-mk1.5` 的公开实测数据（页面标注统计区间为 **2026-09-23 09:00 至 2026-09-26 09:00**）、以及 AGI HUNT **2026-09-26** 期的收录条目。素材时间窗为**前一日 18:00 → 当日 09:00**：Mk1.5 于**美东 09-25 发布**，北京时间 09-25 夜间至 09-26 早晨落地，属隔夜窗口内的新发布。需要明示的边界：① **全部基准成绩均为厂商自报**，The Neuron 原文已注明 "Those benchmark comparisons are company-reported"，**无第三方独立复现**；② 内部 EgoChores 测试为**公司自建评测集**，与公开基准不可比，且对比对象 Gemini 3.8 Flash 的版本与调用配置未披露；③ **上下文长度存在两个口径**（The Neuron 32K / OpenRouter 37K），本文并列呈现，不择一；④ "2–5 倍提速"未说明测试硬件、输入模态与任务类型，**是相对 Mk1 的比值，不是绝对延迟**；⑤ OpenRouter 的延迟与错误率为**单一托管平台、近三日、单供应商**的观测值，**样本请求量与调用方构成未披露**，且该平台上的调用以通用应用为主（页面列出的头部应用为代码编辑器与 Web UI，非机器人控制），**不能等同于本体上的实时控制表现**；⑥ 缓存命中率 0.0% 意味着上述延迟**未受益于任何缓存**，是保守值；⑦ 端到端 P50 2.79 秒为**平台统计口径**，与官方所说"端到端比 Mk1 快 2–5 倍"不是同一个测量对象。与存量稿件的差异：本站产品发布类写过宇树 Dex5-S 灵巧手（硬件参数与工位边界）、Feather 模块化人形（本体单位经济），本篇落点是**模型层"一套权重跨本体"这一主张，与它在托管平台上被独立记录到的延迟分布之间的落差**。判断性内容均以"判断："开头。

### BODY

<div class="sec">
<div class="eyebrow">先把卖点和证据分开摆</div>
<p>Mk1.5 的卖点非常清晰：**一个模型，三种本体，不做平台级重训**。这句话如果成立，它改变的是具身智能的成本结构——现在每一类本体都要养一套自己的模型与数据闭环，如果一套权重能同时开无人机、四足和眼镜，那么新增一个本体形态的边际成本会大幅下降。</p>
<p>但卖点归卖点，能核实的证据是分开的。左边是厂商自报的能力，右边是托管平台独立记录的运行数据，两组数字讲的不是同一件事。</p>
<div class="jx-split">
<div style="flex:44">
<div class="eyebrow">厂商自报（未独立验证）</div>
<p>4 项视频目标分割基准中 3 项领先；EgoSchema 困难集 +12 分；EgoChores 手部定位优于 Gemini 3.8 Flash 50%；端到端比 Mk1 快 2–5 倍。</p>
</div>
<div style="flex:44">
<div class="eyebrow">托管平台实测（可复核）</div>
<p>端到端 P50 2.79 秒 / P95 14.77 秒 / P99 30.95 秒；工具调用错误率 5.55%；结构化输出错误率 1.83%；可用性 99.97%。</p>
</div>
</div>
<div class="keypoint">判断：这两组数字不该互相印证，也不该互相否定。前者测的是**能力上限**（在标准集上能不能答对），后者测的是**服务稳定性**（连续跑三天会不会掉链子）。做机器人选型时，第二组往往比第一组更早决定项目死活——因为能力不够可以换模型，延迟抖动则会直接变成安全风险。</div>
</div>

<div class="sec">
<div class="eyebrow">P99 30.95 秒：真正该读的是尾部</div>
<p>OpenRouter 模型页给出的端到端延迟分布，是这条发布里最有价值的一组数字：</p>
<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">E2E P50</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:9%"></div></div><div class="jx-bar-val">2.79 s</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">E2E P75</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:19%"></div></div><div class="jx-bar-val">5.83 s</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">E2E P90</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:34%"></div></div><div class="jx-bar-val">10.39 s</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">E2E P95</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:48%"></div></div><div class="jx-bar-val">14.77 s</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">E2E P99</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:100%"></div></div><div class="jx-bar-val">30.95 s</div></div>
</div>
<div class="jx-legend"><div class="jx-lg">OpenRouter 近三日观测值，单供应商、缓存命中率 0.0%；条长按 P99 = 100% 归一化，仅呈现分布形态</div></div>
<p>中位数 2.79 秒，P99 30.95 秒——**尾部是中位数的约 11 倍**。这是典型的重负载、多工具调用场景的延迟分布：绝大部分请求在 3 秒内返回，但每 100 次里约有 1 次要等超过 30 秒。</p>
<p>再看错误率：**工具调用错误率 5.55%**，也就是大约每 18 次工具调用会有 1 次失败；**结构化输出错误率 1.83%**。Mk1.5 的一个核心设计就是把推理与世界知识拆开——遇到需要世界知识的问题，调用外部搜索与反向图像搜索，而不是把知识塞进权重。这个设计很省参数，代价是**把可靠性押在了工具调用上**。</p>
<div class="keypoint">判断：5.55% 的工具调用错误率，对一个聊天助手来说是"偶发重试"，对一个正在移动的本体来说是"这一拍没有决策"。**模型层可以设计超时降级，物理层没有超时这个概念——机器人不会因为你没回就停在原地，它要么按上一拍的指令继续走，要么急停。** 所以这一类"推理与知识分离"的架构，在落地到本体之前必须先补一层工程：**工具调用失败时的默认动作是什么**。报道没有提及任何降级策略，这是目前公开信息里最大的空白。</div>
</div>

<div class="sec">
<div class="eyebrow">"一套权重跨本体"到底跨了什么</div>
<p>官方对 Mk1.5 的能力描述可以拆成五条，其中三条是真正跨本体的，两条是通用能力：</p>
<div class="tbl-wrap">
<table>
<thead><tr><th>能力</th><th>描述</th><th>是否依赖本体</th></tr></thead>
<tbody>
<tr><td>飞行与四足控制</td><td>零样本控制无人机与四足，无需平台级重训</td><td>是，但宣称零样本</td></tr>
<tr><td>对象跟踪</td><td>把物体作为<strong>带时间戳的几何</strong>来跟踪</td><td>否，通用视觉能力</td></tr>
<tr><td>音频推理</td><td>用多普勒效应预测卡车最接近的时刻</td><td>否，但需本体有麦克风</td></tr>
<tr><td>外部工具调用</td><td>搜索、反向图像搜索</td><td>否</td></tr>
<tr><td>并行子智能体</td><td>分解复杂任务，如识别篮中食材以检查过敏原</td><td>否</td></tr>
</tbody>
</table>
</div>
<div class="cap">表：按 The Neuron 与 AGI HUNT 对官方发布的整理拆分。"零样本控制"是唯一一条本体相关且被宣称免重训的能力。</div>
<div class="keypoint">判断：把这张表摊开之后，"一个模型管三种本体"这个主张的含金量取决于**"零样本控制"这四个字能兑现到什么程度**。其余四项——跟踪、音频、搜索、子智能体——本质上是通用多模态能力，任何足够强的 VLM 都能做，把它们和"控制"打包叙述会让卖点显得比实际更大。**真正该验证的是：同一套权重，在从未见过的四足本体上，不调参能走多远、能连续走多久。** 公开材料里没有这个测试。</div>
</div>

<div class="sec">
<div class="eyebrow">32K 还是 37K：一个不该被忽略的小分歧</div>
<p>The Neuron 记为 **32K 上下文**，OpenRouter 模型页记为 **37K**。差 5K，约 15%。</p>
<p>这类分歧通常有两个来源：一是发布时宣传的"标称上下文"与实际上线时供应商配置的"有效上下文"不同（常见做法是留一部分给系统提示与输出）；二是不同接入层统计口径不同。报道没有解释，两者也没有互相引用。</p>
<div class="keypoint">判断：这 5K 的差异本身不重要，重要的是它提醒了一件事——**模型的能力参数存在"发布稿口径"与"接入层口径"两套**。做工程选型时，以接入层（OpenRouter、官方 API 文档）为准，不要以发布博客为准。这类小分歧在处理长视频、长轨迹的具身场景里会被放大：第一人称视频是 token 消耗大户，上下文差 15% 直接决定了能塞进去多少秒的历史观测。</div>
</div>

<div class="sec">
<div class="eyebrow">定价换算：一条一分钟的视频要多少钱</div>
<p>Mk1.5 定价 **$0.15 / $1.50** 每百万输入 / 输出 token。缓存命中率是 **0.0%**，意味着目前所有请求都在付全价。</p>
<p>这个价格对"推理 + 工具调用 + 子智能体"这种重调用模式是有意义的：一次复杂查询可能触发多轮工具调用与多个子智能体，每轮都要重新把上下文送进去。**在缓存命中率为 0 的情况下，成本与调用轮数近似线性相关**——这也从成本侧解释了为什么那 5.55% 的工具调用错误率值得关注：失败的那次调用，钱已经花了。</p>
<div class="keypoint">判断：具身智能的成本账，迟早要从"每 token 多少钱"换算成"**每一分钟自主运行多少钱**"。这个换算需要三个数：每秒 token 消耗（取决于帧率与上下文长度）、每秒调用轮数（取决于任务分解粒度）、以及失败重试率。**目前公开信息里一个都给不全**，所以 Mk1.5 现在还不能被算进任何一份可交付的运营成本表。这是它作为"开发者平台"的真实阶段——可以先跑原型，还不到能签 SLA 的时候。</div>
</div>

<div class="srcline">参考来源：The Neuron《Everything That Happened in AI This Weekend So Far (Friday, September 25, 2026)》；OpenRouter 模型页 perceptron/perceptron-mk1.5（统计区间 2026-09-23 09:00 – 09-26 09:00）；AGI HUNT 2026-09-26 期。抓取日期 2026-09-26。</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/perceptron-mk15-one-model-three-embodiments/*