Reka 放 Rho-1：19B 单网络打通文本、图像、视频与机器人动作

Reka 在 10 月 5 日放出 Rho-1 的研究预览版：一个从零训练的 19B 全能推理模型（omni-reasoning），在同一个神经网络里理解并生成文本、图像与视频，对它们做推理，并输出动作。它的做法是把文本、视觉与机器人动作统一成同一上下文窗口里的 token；而当下多数系统是「中央模型规划 + 各模态专家」的智能体流水线，每次交接都要付延迟，专家也只看得到很窄的一次请求。

官方给出一段未剪辑的五轮会话：画出一座红白条纹灯塔 → 在图上框出灯塔 → 把静帧改成无人机推进的视频 → 改天气并说明改了什么。官方称每一轮都读写同一份 KV 缓存，并把它当作持续演进的世界状态：框选由坐标 token 直接产出，不需要第二个检测模型；视频首帧用的是上下文里原有的表示而非重新编码的图像，所以光照、几何与物体同一性得以保持；回答「改了什么」也不是对导出帧做事后描述，而是读产生该变化的隐状态。速度方面，基础版按中位 0.79× 实时生成视频、约 6 秒起播；蒸馏版把去噪轨迹从 99 步压到 8 步，官方称内部测试里 5.3 秒的视频片段约 1 秒返回、图像速度追平最快的专用图像模型。

它改变了什么：多模态的瓶颈从「模态之间怎么拼管线」挪到「一个上下文能不能同时承载理解、生成与动作」——Rho-1 把「同一份 KV 缓存即世界状态」当作可被对话、实时控制或电机策略三种方式驱动的东西，指向交互式仿真与具身控制。边界：全部性能数字均为 Reka 自测、本轮未复现；「研究预览」阶段的可用性官方只写「通过联系申请」，RekaAI 在 Hugging Face 上没有 Rho-1 权重仓，即权重未开源。

原文链接：Reka 官方页面