Reka 发布 Rho-1：19B 全模态推理模型，单网络统一文本/图像/视频/机器人动作

背景

Reka 10 月 5 日释出 Rho-1 研究预览，19B omni-reasoning 模型从零训练，把文本、视觉与机器人动作统一为 token，置于同一上下文窗口。

核心要点

• 双流 KV cache：理解流（语言+视觉解析）与生成流（去噪出图/视频）共享注意力。
• 离散 token 承载文本/指令，连续 token 承载图像 latent、视频帧、机器人动作与本体感知。
• 训练 320×H100 约三个月；base 视频生成中位数 0.79× 实时，蒸馏版把去噪从 99 步压到 8 步。
• 被定位为「架构方向」而非成品，承认长程漂移、跨视频 grounding 不稳等局限。

为什么重要

用单一网络「折叠」感知-生成-动作的多模态管线，若成立将降低多专家系统的延迟与成本，对机器人/世界模型具有指向意义。

关键事实速记

• 发布 Reka Rho-1（10-05）
• 19B omni
• 单网络统一文本/图/视频/机器人动作
• 320×H100 训练 3 月
• base 视频 0.79× 实时