Reka 推出 Rho‑1：19 十亿参数的全能模型，支持文本、图像、视频和机器人控制

2026年10月5日，Reka AI 在一次线上发布会上正式推出了其最新模型 Rho‑1。这款被标榜为“研究级”系统的模型完全从零设计，拥有 19 十亿参数，旨在单一神经网络中同时处理文本、图像、视频、逻辑推理以及机器人动作等多模态任务。

与当前大多数 AI 体系结构不同，后者通常为每一种模态配备独立的专用模型，Rho‑1 采用了全新的统一令牌流架构。所有输入和输出——无论是文字、像素块、视频帧还是机器人指令——都被映射为共享上下文中的同类令牌，从而消除视觉、语言或控制流水线之间的分离需求。

统一的令牌表示

Reka 解释称，文本、图像块、视频帧以及机器人指令首先被转化为统一的令牌格式，然后送入模型进行处理。共享上下文让系统能够记住先前交互的内容，使得在多轮迭代中对图像或视频进行修改时无需重新初始化状态。

公司声称，Rho‑1 的基础版本能够以 0.79 倍实时速度生成视频，约在请求后六秒内开始播放。内部基准测试显示，一个仅使用八步的蒸馏版在约一秒钟内即可生成 5.3 秒的剪辑，尽管这些数据尚未得到独立验证。

性能与训练细节

据《The Decoder》报道，Rho‑1 的训练过程持续约三个月，使用了 320 块 Nvidia H100 GPU。如此密集的算力投入体现了将多模态堆栈压缩为单一架构的雄心，Reka 将其视为迈向能够感知、理解并以统一模型在真实世界中行动的关键一步。

模型在多轮交互中生成、编辑和比较视觉媒体的能力被视为核心差异点。用户可以连续请求细化操作，例如改变光照、添加物体或修改运动轨迹，而模型能够保持对场景的连贯内部表征。

同一权重实现机器人控制

Reka 还展示了相同的权重集合可以直接用于机器人控制。逆动力学模块将公开的互联网视频转化为驱动机器人执行器的动作信号，表明视觉学习能够无缝指导运动行为，无需额外的控制模块。

• 单网络 19 十亿参数
• 三个月、320 GPU H100 训练自研
• 统一令牌流覆盖文本、图像、视频和机器人指令
• 基础版视频生成速度 0.79× 实时，启动约 6 秒
• 蒸馏八步版声称 5.3 秒剪辑约 1 秒生成

此次公告将 Rho‑1 定位为 Reka 所称的“全能模型”概念验证——一种能够在感知、语言和行动之间流畅切换的系统。通过压缩传统的多模态管道，公司认为可以显著缩短开发周期并降低集成复杂度。

批评者指出，尤其是蒸馏版的性能声明尚未通过第三方测试验证。独立基准测试对于确认 Rho‑1 是否真正具备所宣传的速度和质量优势至关重要。

对中文企业的意义

对于在中国市场运营的企业而言，Rho‑1 有望通过统一的服务取代多套独立模型，简化 AI 基础设施。内容创作者可以更快完成迭代视频生成，营销团队能够即时生成多模态素材，制造业则可在无需专门训练控制网络的情况下尝试视觉引导的机器人控制。统一令牌方式还可能提升跨模态推理的一致性，降低因不同系统拼接而产生的错误。

总的来看，Rho‑1 的发布标志着多模态 AI 向单体化迈进的重要里程碑。无论是技术社区还是产业用户，都将在接下来的几个月内密切关注其实际表现以及第三方评测结果，以判断这一全能模型是否能够兑现其宏大的承诺。