Kyutai发布24亿参数视觉-语言-动作模型REKI，以低成本记忆机制提升机器人操作能力

Kyutai联合法国国家信息与自动化研究所（Inria）和巴黎路桥学院发布了面向机器人操作的视觉-语言-动作模型REKI，参数规模为24亿，其中22亿来自Qwen3.5-2B视觉语言模型，另有2亿参数的流匹配动作专家，模型仅使用公开数据预训练，权重已在Hugging Face开放，但采用CC BY-NC-SA 4.0非商业许可。与多数仅依据当前画面行动的同类模型不同，REKI把记忆放在动作专家内部：每帧动作令牌前设置32个可学习的寄存器令牌，它们只关注该帧的提示和视角，并与此前各帧的寄存器交互，不读取动作令牌，因此每帧只需计算一次并缓存在滚动窗口中，记忆覆盖最近3帧、间隔1秒。据项目页面，读取缓存仅让每个21.8毫秒的动作块增加0.1毫秒，每个历史帧约占2MiB显存。记忆机制还缓解了机械臂在两个姿态间来回摆动的问题，在RoboTwin上出现摆动的回合比例由18.6%降至4.1%，Kyutai将其归因于感知混叠。在基准测试中，REKI在LIBERO-Plus上取得90.4%，为Kyutai对比中的最高分；在RoboTwin Clean2Rand上为65.8%，仅次于Qwen-RobotManip的68.5%；在RoboCasa365上为38.4%，明显落后于小米Xiaomi-Robotics-1的57.4%。在三项分布外基准上，只有规模约为其两倍的模型能超过它。预训练数据包括10亿帧和1220万条视觉语言样本，在32块H100上训练了20万步；在UR5机械臂上，每项任务用50次示范微调约1小时即可部署。