섹션별 상세
Mk1은 비디오를 개별 이미지 시퀀스가 아닌 시간적 연속성을 가진 데이터로 처리하여 객체 동일성을 유지한다. 물리적 법칙과 객체 역학을 이해하는 고정밀 공간 인식 능력을 갖추어 농구 슛의 성공 여부나 아날로그 시계 판독 등 복잡한 물리적 상호작용을 분석한다. 이 아키텍처는 로봇 공학이나 보안 감시와 같이 객체 가림(occlusion)이 발생하는 환경에서 필수적인 기능을 수행한다.
Mk1은 EmbSpatialBench에서 85.1점, VSI-Bench에서 88.5점을 기록하며 경쟁 모델 대비 높은 공간 및 시간적 추론 성능을 보였다. 특히 RefSpatialBench에서는 72.4점을 기록하여 GPT-5m(9.0)이나 Sonnet 4.5(2.2)를 큰 폭으로 앞섰다. 이러한 성능은 효율성 경계(Efficiency Frontier) 상에서 고성능 모델과 동등하거나 우월하면서도 Lite/Flash 모델 수준의 비용을 유지하는 독보적인 위치를 점한다.
API 비용은 입력 토큰 100만 개당 $0.15, 출력 토큰 100만 개당 $1.50으로 설정되어 기존 선도 모델 대비 80-90% 저렴하다. 함께 제공되는 Perceptron SDK는 Python 환경에서 Focus, Counting, In-Context Learning 기능을 지원하여 개발자가 최소한의 코드로 복잡한 비디오 분석 애플리케이션을 구축하도록 돕는다.
Perceptron은 폐쇄형 모델인 Mk1 외에도 오픈 가중치 모델인 Isaac 시리즈를 유지한다. 20억 파라미터 규모의 Isaac 0.2-2b-preview는 엣지 디바이스와 저지연 환경에 최적화되어 있으며, 상업적 라이선스를 통해 기업 고객에게 온프레미스 배포 유연성을 제공한다.
기술
- Perceptron Mk1
- Isaac 0.2-2b-preview
- Python
- Perceptron SDK
활용 사례
- 로봇 공학
- 제조 품질 관리
- 보안 감시
- 콘텐츠 모더레이션
- 스포츠 하이라이트 자동 생성
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 05. 13.수집 2026. 05. 14.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
