Isaac 0.5: Startup-modellen som slår NVIDIAs eget robotsystem – med hårfin margin
- august 2026 lanserte Perceptron AI – en startup fra Bellevue, Washington, grunnlagt i november 2024 av to tidligere forskere fra Facebook AI Research – Isaac 0.5, en åpen 36 milliarder parameter stor modell for roboter. Verdt å presisere med en gang: dette er ikke et NVIDIA-produkt, selv om navnet kan gi den assosiasjonen. Faktisk er en av modellene Isaac 0.5 sammenlignes mot nettopp NVIDIAs eget GR00T N1.7.
Tre ting i én modell
Isaac kombinerer videoforståelse, kroppslig resonnering og robotstyring i samme system – noe Perceptron selv kaller det første åpne systemet som ligger i front på alle tre områder samtidig. Modellen leser bilder, video, språkinstruksjoner, robotens tilstand og tidligere handlinger, og kan svare på spørsmål om en video, peke på og spore objekter over tid, rapportere hvor langt en oppgave har kommet, og generere konkrete robothandlinger.
Treningsgrunnlaget er massivt: tre billioner multimodale token, én million timer generell video og 100 000 timer robotikk-spesifikk erfaring hentet fra over 35 ulike robotsystemer.
Et genuint interessant funn om treningsdata
Den mest interessante tekniske detaljen i lanseringen er kanskje ikke selve modellen, men en oppdagelse om hvordan man trener slike systemer billigere. Perceptron fant at ved å skalere opp mengden generell video fra 1000 til én million timer, kunne mengden dyr, manuelt styrt teleoperasjonsdata som trengs for å nå samme nøyaktighet, kuttes fra rundt 5900 timer til bare 28 timer – en reduksjon på over 200 ganger. Det er et konkret bevis på at generell videoforståelse kan erstatte mye av den kostbare, manuelle robot-treningen.
Ytelsen: sterk, men marginene er tynne
På LIBERO, en anerkjent standardbenchmark for robotmanipulasjon, oppnår Isaac 0.5 en gjennomsnittlig suksessrate på 97,2 prosent. Det er teknisk sett foran både NVIDIAs GR00T N1.7 (97 prosent) og Physical Intelligences π0.5 (96,9 prosent) – men marginen er hårfin, ikke en klar seier. Isaac skal derimot skille seg tydeligere ut mot andre åpne modeller som MolmoAct2 og SmolVLA på tester av tilpasning til nye, ukjente oppgaver.
Åpent tilgjengelig for utviklere
Perceptron har sluppet både modellvektene, den fulle tekniske rapporten og kode for finjustering og inferens, slik at utviklere kan tilpasse Isaac til egne roboter og arbeidsflyter innen produksjon, logistikk, lager, sikkerhet og mobilitet.
Ressurser
- Perceptron AIs offisielle lanseringsblogg for Isaac 0.5
- Isaac 0.5 på Hugging Face – modellvekter
- Isaac på GitHub – finjusterings- og inferenskode
