Reka lanza Rho‑1, modelo omni de 19 mil millones de parámetros

Reka AI introdujo Rho‑1 en un evento virtual el 5 de octubre de 2026. El modelo se describe como un sistema de "grado de investigación" construido desde cero con 19 mil millones de parámetros, diseñado para manejar múltiples modalidades —texto, imágenes, video, razonamiento lógico y acciones físicas— dentro de una única red neuronal.

A diferencia de la mayoría de las pilas de IA actuales, que dependen de modelos especializados separados para cada modalidad, Rho‑1 codifica cada entrada y salida como tokens que comparten un contexto común. Este diseño elimina la necesidad de pipelines separados de visión, lenguaje o control, permitiendo que la misma matriz de pesos interprete y genere en todos los dominios.

Representación token unificada

Reka explica que el texto, los fragmentos de imagen, los fotogramas de video y los comandos robóticos se convierten en un formato de token uniforme antes de ser procesados por el modelo. El contexto compartido permite al sistema retener información de interacciones previas, haciendo posible modificar una imagen o video en varios pasos iterativos sin reiniciar el estado.

La empresa afirma que la versión base de Rho‑1 puede generar video a una velocidad de 0,79× tiempo real, iniciando la reproducción aproximadamente seis segundos después de la solicitud. En pruebas internas, una variante destilada —reducida a ocho pasos— produjo un clip de 5,3 segundos en alrededor de un segundo, aunque estos datos aún no han sido verificados de forma independiente.

Rendimiento y detalles del entrenamiento

Según The Decoder, la fase de entrenamiento duró aproximadamente tres meses y utilizó 320 GPUs Nvidia H100. El intenso presupuesto de cómputo refleja la ambición de colapsar la pila multimodal en una única arquitectura, objetivo que Reka presenta como un paso hacia sistemas que puedan percibir, comprender y actuar en el mundo usando un modelo unificado.

La capacidad del modelo para generar, editar y comparar medios visuales en múltiples turnos se destaca como un diferenciador clave. Los usuarios pueden solicitar una serie de refinamientos —como cambiar la iluminación, añadir objetos o alterar el movimiento— mientras el modelo mantiene una representación interna coherente de la escena.

Control robótico con los mismos pesos

Reka también muestra que el mismo conjunto de pesos puede reutilizarse para el control de robots. Un componente de dinámica inversa traduce videos públicos de internet en señales de acción que impulsan los actuadores robóticos. Este enfoque sugiere una vía donde el aprendizaje visual alimenta directamente el comportamiento motor sin un módulo de control separado.

• 19 mil millones de parámetros en una sola red
• Entrenado desde cero en una corrida de tres meses con 320 GPUs H100
• Flujo de tokens unificado para texto, imagen, video y comandos robóticos
• Versión base genera video a 0,79× tiempo real, arranque ~6 segundos
• Variante destilada de ocho pasos afirma clip de 5,3 segundos en ~1 segundo

El anuncio posiciona a Rho‑1 como una prueba de concepto de lo que Reka denomina un "omni‑model" —un sistema que puede pasar fluidamente de la percepción al lenguaje y a la acción. Al colapsar la tradicional cadena multimodal, la compañía argumenta que los ciclos de desarrollo podrían acortarse y la complejidad de integración reducirse.

Los críticos señalan que las afirmaciones de rendimiento, sobre todo para la variante destilada, siguen sin ser validadas por pruebas de terceros. Los benchmarks independientes serán esenciales para confirmar si Rho‑1 realmente ofrece las ventajas de velocidad y calidad anunciadas frente a modelos especializados.

Qué implica para organizaciones hispanohablantes

Para empresas que operan en mercados de habla hispana, Rho‑1 podría simplificar la infraestructura de IA al sustituir un conjunto de modelos separados por un único servicio. Los creadores de contenido ganarían en velocidad de generación de video iterativo, los equipos de marketing podrían producir activos multimodales al instante, y los fabricantes podrían experimentar con control robótico guiado por visión sin entrenar redes de control dedicadas. El enfoque de token unificado también promete razonamiento cruzado más coherente, reduciendo errores que aparecen al combinar salidas de sistemas dispares.