Reka 发布 190 亿参数全模态模型

刚看到 Reka AI 放出了 Rho-1 的研究预览版，一个 190 亿参数的全模态模型，文本、图像、视频、机器人控制动作全塞进同一个神经网络里处理。这个思路跟现在主流做法很不一样——大多数系统都是把任务路由给专门的子模型，而 Rho-1 把所有模态都当成 token 放进同一个上下文窗口，不调用工具也不依赖外部模型。

最让我在意的是它的实时性：模型能连续生成视频，还能在运行中直接响应新指令，不用重启。更关键的一点是，预测摄像头画面的那套权重，同时也在驱动机器人的动作。这意味着视觉理解和运动控制共享同一套表征，对做具身智能的团队来说是个值得盯的方向。机器人训练数据稀缺是老问题了，Reka 的解法是搭了一个逆动力学模型，从普通互联网视频里反推出控制信号。训练规模上，他们用了 320 张 H100，跑了大约三个月。这个成本对大厂不算夸张，但对中小团队依然是很高的门槛，所以短期内我更看好这类模型以 API 形式开放。Reka 做多模态不是新手。2024 年 4 月他们发过 Reka Core，一个多模态语言模型，当时在基准测试里对标 GPT-4、Claude 3 和 Gemini Ultra。这次 Rho-1 的发布，也契合了当前 AI 研究往「世界模型」方向走的整体趋势。我的判断是：全模态单模型如果能跑通，会明显简化工程链路，省掉一堆模型编排和工具调用的胶水代码。但 190 亿参数要同时扛住视频生成和机器人控制，实际效果和延迟还得看后续评测。做跨境工具和 Agent 产品的朋友，可以先把这类「一个模型吃下所有模态」的路线记进技术选型清单里。