AREX Feed Article
Perceptron AI 开源 360 亿参数具身模型 Isaac 0.5，公司称 LIBERO 平均成功率 97.2%
Perceptron AI 于 8 月 26 日发布 Isaac 0.5：360 亿参数（36B）的开源权重具身基础模型，把视频理解、具身推理与机器人控制放进同一个稀疏骨干。公司称，它在 LIBERO 机器人操作基准上平均成功率 97.2%，高于 Physical Intelligence 的 π0.5（96.9%）与 NVIDIA 的 GR00T N1.7（97.0%）。公司还报告了一条数据缩放定律：通用视频从 1,000 小时扩到 100 万小时，达到相同动作损失所需的遥操作数据从 5,884 小时降到 28 小时，约 210 倍。
模型权重已上架 ，微调与推理代码发布在 ，技术报告同步公开；。训练用了 3 万亿多模态 token，含 100 万小时通用视频与 10 万小时机器人经验，覆盖 35 个以上机器人系统。以上性能数字均为公司自述口径，来自公司新闻稿、博客与技术报告。
一个稀疏骨干，同时输出语言、坐标与动作
Isaac 0.5 总参数 36B，每个 token（词元）只激活 2.5B。骨干基于 Qwen 系视觉语言模型，文本、图像、时间、机器人状态与历史动作进入同一条序列。模型卡称，这是公司所知第一个在视频理解、具身推理与机器人控制三项上同时达到前沿水平的开源模型。
稀疏来自 Null Expert 路由：每个 MoE（混合专家）层有 256 个专家加一个空路由，一个 token 可路由到 0～8 个专家，视觉、语言、状态与动作 token 按任务复杂度动态分配算力。输出端，语言、归一化坐标、任务状态与离散动作走自回归接口，离散动作使用 2,048 个 FAST 动作 token 的词表；连续动作由 Flow expert 与 36 层 diffusion transformer 生成。
闭环控制时，模型在当前动作块执行期间就用最新观测预测下一个动作块，公司称之为实时控制训练（RTC）。训练从第一天起联合进行视频理解、空间定位、任务进度、未来感知预测与控制；感知（percept）目标让模型从后续帧自动构造任务相关状态的语义表征，比如物体是否移动、接触是否发生、抓握是否保持，目标构造不依赖人工标注与动作标签。
CTO Akshat Shrivastava 在里解释了这条设计路线：「感知、具身推理和控制不应该是彼此分离的模型。Isaac 0.5 通过一个共享骨干联合训练它们。」
数据侧，公司称训练把通用视频、egocentric（第一视角）视频与 UMI 手持夹爪数据混合配比，自建了 mHarmony 类型化编译器与 TensorStream 打包格式，用预测式分片流式、节点共享下载与隔离视频解码撑起百万小时级视频训练，相关细节写进了。
称，稀疏设定下模型 FLOPs 利用率（MFU）为 24%；报告还披露一个 48% 的致密设定，但其配方与权重未随本发布公开。
LIBERO 对比表里的并列与口径差异
技术报告的 Table 10 给出了 LIBERO 成绩：这是确定性（deterministic）的 spatial、object、goal、long-horizon 四个套件，每套件 10 个任务，用 500 条演示做基准特定适配后评测。
Isaac 0.5 四套件得分 98.0、99.0、98.8、93.0，平均 97.2；GR00T N1.7 平均 97.0，π0.5 平均 96.9。
同一张表里，MolmoAct2 平均也是 97.2：它的 object 100.0 与 long-horizon 93.2 高于 Isaac 的 99.0 与 93.0，spatial 97.8 低于 Isaac 的 98.0；π0.5 的 spatial 98.8 也高于 Isaac。新闻稿在 LIBERO 对比里只点名了 π0.5 与 GR00T N1.7 两个对手。
表注写明，各基线数字按各自论文或官方报告转录：GR00T N1.7 一行采用 NVIDIA 官方每套件 200 次评估的报告口径，MolmoAct2 数字转录自其论文（2,000 次评估 rollout），并非 Perceptron 在同一条件下重测。
少样本学习数据来自同一份技术博客：在国际象棋操作基准上，每个策略用单条专家演示微调一个 epoch，再在留出的变体上测试，包括棋子位姿扰动、按记谱法换着法、换开局分支。
Isaac 0.5 的损失下降 10.5 倍、9.5 倍、7.0 倍，最接近的 π0.5 为 3.1 倍、2.6 倍、2.3 倍。公司自述，单项差距接近随机种子间的标准误，应该读的是排序，不是具体倍数。
感知侧的成绩也来自报告：本地评测中 Isaac 0.5 在 CARPK、LVIS Count、ScreenSpot-Pro 上分别为 19.07、32.78、62.60，高于表中成本标注为其 12.8 倍的 Qwen3-VL-32B（1.60、27.06、54.80；12.8 倍按激活参数量估算）。公司博客补充称，它在五类任务族上全部领先开源对比模型，推理成本低 8.5 倍：单次三图请求 26.9 TFLOP（每秒万亿次浮点运算），最强的开源对比模型为 228.4。
部署边界也在同一份报告里：Isaac 0.5 用 2.5B 激活参数在单张 H100 SXM 上 70 毫秒一步、策略率约 14.3Hz、FP8 checkpoint（权重文件）36GB；GR00T N1.7 为 27.9 毫秒、35.9Hz、6.93GB，单步更快、体积更小。表注说明，Isaac 的延迟是按 40% 峰值算力推算的架构估算，GR00T N1.7 采用 NVIDIA 官方 TensorRT 报告值。
视频替掉遥操作，但交换有条件
固定 80:30:30 的视频配比，把通用视频从 1,000 小时扩到 100 万小时，在离线动作损失阈值 τ=2.50 上，达到相同损失的遥操作需求从 5,884 小时降到 28 小时，比值 210.3 倍；报告给出的端点括号是 83～300 倍。
交换是有条件的。报告写明，损失对视频的斜率在 1 小时遥操作处近乎平坦，从约 100 小时遥操作起，视频每增加 10 倍，损失约下降 0.21，视频在配方里有了足够动作锚定之后才更有效。
机制上，遥操作每小时要占用一台机器人、一名操作员和受控环境，通用视频几乎免费可得，而 percept 目标让模型能从没有动作标签的视频里学到任务相关变化。报告称，这是首个把通用无动作视频扩到 100 万小时、与 egocentric、UMI 和机器人数据共同训练的研究。
社区里也有人提醒别把 210 倍读过头。AI 与开源话题博主 Exywuu 在里写道：「这不意味着机器人普遍需要 210 倍更少的机器人数据。这个结果来自一个特定损失目标下的特定实验。但它确实表明，通用视频对昂贵机器人经验的替代程度可能超出我们通常的假设。」
权重、代码与 35 个机器人配置一并开源
模型卡显示，Isaac 0.5 近 30 天被下载 162 次。落地方式写得很具体：团队可以把模型微调成控制机器人的策略，也可以只取视觉输出接进既有的规划与控制系统；公司称客户覆盖制造、物流、仓储、安防与移动出行，并直接参与适配部署。
CEO 兼联合创始人 Armen Aghajanyan 在新闻稿里说：「企业需要能在前沿水平运行、快速学会新任务并适配自家硬件的模型。Isaac 给了他们一个强大的开源起点，我们的团队正与客户一起把它带入真实运营。」
开源边界值得看清。GitHub 仓库采用 Apache-2.0 协议，训练与推理代码在固定版本的 LeRobot 子模块中；模型卡写明，暂不支持直接使用 Transformers 或原生 LeRobot，需要按 Perceptron Isaac 仓库的固定 commit 搭建运行环境。
仓库同时发布了 35 个以上机器人系统的部署配置；模型权重的使用条款以 Hugging Face 仓库公布为准。
公司背景：Perceptron AI 2024 年 11 月成立于华盛顿州 Bellevue，由 Armen Aghajanyan（CEO）与 Akshat Shrivastava（CTO）联合创立，两人均为 Facebook AI Research（FAIR）前研究科学家。Isaac 家族此前已有 0.1 与 0.2 两个视觉语言模型，。
「技术报告是个金矿」，也有人只看到抓取
官方在 8 月 26 日发出，截至 9 月 1 日核验时有 795 个赞、约 26 万次浏览与 102 次转发。
旧金山开发者 评论：「技术报告是个金矿，我周末得把它读完。模型架构和训练方法在机器人领域是独一份的，而且出自 Chameleon 的创造者之手，这很合理。我好奇整套训练基础设施会不会开源。」
中文 AI 博主把 210 倍翻译成了白话：「原来要想让机器人达到同样的熟练度，需要人工遥控示教 5,900 小时；现在通过 Isaac 先让它看 100 万小时视频，再使用人工遥控校正，只需要 28 小时。效率提升 210 倍。」
只留了一句：「这是又一项用 100 万小时以上数据的工作。」称其为「目前最好的开源机器人模型」。
也有反对声音：匿名开发者 写道：「36B 却只会做抓取放置任务，笑死。」
这些数字眼下都出自公司自己的材料：LIBERO 表里各家基线转录自原始论文口径，少样本差距公司自己承认落在种子标准误附近，210 倍是特定损失阈值下的端点比值。
留待验证的有两件事：社区能否在自家硬件上复现 97.2% 与 210 倍，第一批工业客户部署后这些数字还站不站得住。按公司博客的对比表，Physical Intelligence 的 π0.7 已具备实时控制训练与错误建模，但未开源；Isaac 0.5 的下一个对手，未必还是 π0.5。