Reka发布Rho-1：190亿参数全模态推理模型

全模态统一：一个模型完成理解、生成与执行

Reka正式发布Rho-1的研究预览版本——一款从零训练的190亿参数‘全模态推理模型’（omni-reasoning model）。该模型以单一神经网络实现对文本、图像、视频的联合理解与生成，并可直接输出机器人控制动作及本体感知信号（proprioception）。Reka将其定位为对现有‘代理式多模态流水线’（agentic pipelines）的直接替代方案：传统方案依赖中央规划器将任务分发给多个专用子模型（如图像生成器、视频检测器），而Rho-1将所有模态统一为上下文窗口内的token序列，彻底消除模块间交接延迟与信息窄化。

架构创新：双流协同，共享KV缓存

Rho-1采用独创的双流Transformer架构。每个Transformer块包含两组专家权重：理解流（understanding stream）负责语言解析与视觉语义提取；生成流（generation stream）则对连续token（如图像隐向量、视频帧、机器人动作）执行去噪重建。二者共享注意力机制与同一KV缓存。当响应需生成像素内容时，理解流先输出一个离散的‘交接token’，生成流随即基于完整累积状态进行渲染。训练目标融合离散token的下一词预测（next-token prediction）与连续输出的流匹配（flow matching）。该设计带来实际增益：例如边界框直接以坐标token形式输出，无需独立检测模型；视频首帧复用上下文中的图像表征，避免重复编码。

性能表现：实时性与蒸馏加速

基础版Rho-1视频生成速度为0.79倍实时（中位数），首段可观看视频流约6秒内启动；实测首片段生成耗时7.0秒，显著快于对比的多代理流水线（13.8秒）。经蒸馏优化后，去噪步数从99步降至8步，质量损失极小，5.3秒视频片段可在约1秒内生成——在Reka内部测试中，其图像生成速度匹敌当前最快专用图像模型，且文本首token响应亦为所测模型中最快。需注意，所有性能数据均来自Reka自测，非第三方基准评测。

世界建模与机器人能力

Rho-1支持持续流式推理，新指令可经理解流实时注入并动态更新模型状态。演示中，同一初始画面被引导出‘左倾转弯’与‘右倾转弯’两种分支续写。在机器人任务中，动作指令与未来视频帧均从同一隐状态解码。在LIBERO仿真环境中，Rho-1成功输出7通道机器人控制信号。为缓解真实遥操作数据稀缺问题，Reka将其与自研‘逆动力学模型’（Inverse Dynamics Model）结合，该模型可从原始视频中反推控制信号。

横向对比：Rho-1的技术定位

截至2026年10月5日官方确认数据，Rho-1在多项关键能力上处于前沿：原生支持视频生成（上限672×384）、实时连续滚动控制、原生连续动作token输出；相较ByteDance BAGEL（14B总参，7B活跃）、BAAI Emu3.5（34B）、Google Genie 3，Rho-1是唯一同时覆盖文本、图像、视频、机器人动作四类输入/输出的闭源研究模型。其未开源权重（Apache 2.0许可仅适用于BAGEL与Emu3.5），当前仅通过contact@reka.ai提供研究预览访问。

关键事实摘要

Rho-1为19B参数模型，训练耗时3个月，使用320块H100 GPU；视频生成分辨率上限为672×384；属研究预览阶段，暂无公开权重、API或商业化定价；技术细节详见Reka官网博客及X平台公告。