一个网络，一段序列：Reka 把生成与机器人动作压进同一份权重

🧩 开场那个演示，值得先把它拆开

10 月 5 日晚，Reka 在研究博客放出 Rho-1 的预览。 演示从一个生成的灯塔图像开始，模型在场景里定位某个物体，让它动起来，把视频里的天气改掉，然后回答关于这次编辑的问题。

【直引】Reka 对这一串的描述是：每一轮都从同一个共享状态读取、也写回同一个共享状态，整条序列里没有第二个模型，也没有一次工具调用。

这句话是整个发布稿的技术主张。 它把生成与模拟、推理与动作这四件事压进一张网络，替掉四段用智能体串起来的流水线。

🔀 两条专家流，离散与连续混在一段序列里

架构描述是：transformer 块里有两条专家流。 一条负责语言与视觉理解，另一条负责生成图像与视频，两者共享注意力与上下文。

令牌分两种。 离散令牌承载文本、符号推理与高层指令；连续令牌承载图像潜变量，另外还有视频帧、机器人动作与本体感觉。 【判断】把符号推理和连续数值回归塞进同一个自回归序列，是这份工作里唯一称得上硬的地方。 语言建模的目标是对下一个令牌给交叉熵，而预测视频帧要的是在连续值上做回归，两种目标函数被放在一条序列里统一训练，梯度该怎么配比，论文没有给出细节。

小贴士：本体感觉指机器人对自己身体位置和关节状态的内部感知。 把它和视频帧放在同一段序列里，意味着模型看到的东西和它知道自己在哪里，是同一种表示。

对机器人，Reka 说同一个模型会预测未来相机帧并输出关节动作。 演示用的是 LIBERO 仿真任务。 【直引】发布材料没有展示 Rho-1 控制任何一台物理机器人。

⏱️ 速度：0.79 倍实时，与蒸馏后的 1 秒 5.3 秒

速度数字都是公司自测。

• 基础模型生成视频的中位速度是实时的 0.79 倍，流大约 6 秒起步。
• 一个蒸馏变体把去噪步数从 99 步压到 8 步，在公司测试里用约 1 秒产出 5.3 秒的片段。

【推论】按后一组算，5.3 除以 1 等于 5.3 倍实时；相对基础模型 0.79 倍实时，蒸馏版把吞吐推快了大约 6.7 倍。 这两个数字描述的是同一条流水线的前后两档，不是两个模型。

原生视频输出封顶在 672 乘 384。 【判断】这个分辨率低于任何当代消费级设备的视频规格，Reka 也没有把它包装成产品能力，直接列进了限制清单。 它更像一个内部研究平台的自用档位。

训练规模：从零训练，用 320 张 H100 跑了约三个月。 【推论】按 90 天连续满负荷折算约 69 万 GPU 小时，与 Beam 那 1120 万 GPU 小时差十六倍上下。 这不是同一量级的算力投入，比较两者的能力时要记得这一点。

🔁 数据那条路：从互联网视频里捞动作标签

机器人学习的公认难题是数据。 网上关于人做事的视频以十亿小时计，而带着传感器与动作日志的机器人数据少得多。

Reka 的做法是先训一个逆动力学模型，从普通互联网视频里抽取控制信号。 给定前后两帧，逆动力学模型估计是什么动作造成了变化；把它铺在视频上，就得到大规模的近似动作标签。

【判断】这条路线的软肋很明确：动作标签是噪声。人手臂在视频里的运动方式，与某个机器人夹爪在几何结构、行程与受力上都不同。 从人视频迁移到特定本体是难处所在，也是许多演示在仿真里跑通、上真机就垮掉的位置。 Reka 的发布材料没有给出真机结果，也没有列出测试过的本体类型。

同类做法不止 Reka 一家。 小米的 UMI 路线，还有 Meta 的开源物理 AI 世界模型，都在用各自的方式从人类视频里取控制信号。

📋 公司自己列的失效模式

Reka 列了四条，措辞都很直接：

• 长视频滚动会出现结构漂移。
• 跨视频的物体锚定仍然不可靠。
• 针对性编辑在不同提示词下依旧脆弱。
• 原生视频输出封顶 672 乘 384。

【直引】公司把这些限制主要归因于训练规模与数据，并预期两者随规模扩大而改善。 这句话后面紧跟着一句自我限定：预览并未确立规模扩大就会改善它们。

没有基准分数。 没有公开定价。 没有自助下载通道。 发布页把邀请具身机器人、交互式模拟与视觉动作系统的团队联系他们。

🔭 它在跟谁竞争

这个方向上已经有大模型在场。 Google DeepMind 的 Genie 3 是从文本生成可导航环境的实时模型。 Reka 想做的是把这类模拟、语言推理与机器人动作放进同一张网络。

【判断】两种路线的差别目前只在架构层面。 现有演示还不足以说明 Rho-1 能匹配那些专门为交互式世界或实体机器人控制而构建的系统。 架构主张与可靠落地之间的距离，这个预览展示得很清楚。

融资背景上，Reka 在 2025 年 7 月宣布过 1.1 亿美元融资，由英伟达与 Snowflake 领投；2023 年的融资里 DST Global Partners 领投，Radical Ventures 作为创始投资方，Snowflake Ventures 参与。 这些把 Rho-1 定位成一家有商业产品线的创业公司的研究成果，而非独立的学术发布。

CEO Dani Yogatama 此前在 Google DeepMind 做了六年资深研究科学家，现任南加州大学计算机科学副教授。 他押的是一个关于架构的判断：能预测接下来看到什么的模型，也能同时给出该采取的动作。 这条论断在物理部署层面还没被这份材料验证。

📌 信源与限定

• 全部架构、速度、算力与限制数字取自 Reka 官方研究博客与10 月 5 日发布帖，未见技术报告。
• 69 万 GPU 小时、6.7 倍加速、16 倍算力差为按标称卡数与时长折算，非公司披露。
• 0.79 倍实时、1 秒出 5.3 秒片段均为公司自测，无独立评测。
• LIBERO 为仿真基准。 发布材料未展示任何物理机器人控制结果。