Rekas Rho-1 vereint Text, Video und Roboteraktionen in einem 19B-Modell

Reka hat die Forschungsvorschau von Rho-1 am 5. Oktober veröffentlicht. Das Modell hat 19 Milliarden Parameter und wurde von Grund auf trainiert. Es verarbeitet Text, Bilder, Videos und Motor-Policies in einem einzigen Kontextfenster, heißt es im Forschungspost des Unternehmens. Das ist eine Vorschau, kein fertiges Produkt. Ein Veröffentlichungsdatum für die Gewichte nennt Reka nicht.

Warum das zählt: Die meisten multimodalen Produkte sind Pipelines. Ein zentrales Modell plant, reicht die Arbeit dann an getrennte Spezialisten für Bild, Video oder Sprache weiter, und jeder Übergabeschritt kostet Latenz. Rho-1 verspricht, dass ein einziges Netzwerk diese Nahtstellen beseitigt. Das wäre für alle relevant, die Agenten bauen, die eine Szene lesen, sie verändern und dann darauf handeln. Offen ist, ob der Ansatz außerhalb von Rekas eigenen Demos trägt und was der Betrieb kostet.

Rekas Post beschreibt eine Sitzung mit fünf Schritten. Das Modell zeichnet eine statische Szene, findet ein Objekt darin, animiert die Szene zu einem Video, ändert das Wetter und erklärt anschließend, was sich verändert hat. Jeder Schritt liest aus demselben KV-Cache und schreibt in ihn hinein; Reka nennt das einen persistenten Weltzustand. Anfragen für ein Bild gehen an einen Diffusion-Tower. Eine Anfrage für eine Bounding Box bleibt auf der Verständnisseite, so das Unternehmen.

Die Geschwindigkeitszahlen sind der konkrete Teil. Reka zufolge erzeugt das Basismodell Video mit 0,79x Echtzeit im Median, wobei ein anschaubarer Stream nach rund 6 Sekunden beginnt. Eine destillierte Variante kürzt die Denoising-Trajektorie von 99 Schritten auf 8, mit nach Rekas Angaben minimalem Qualitätsverlust. In Rekas internen Tests lieferte diese Variante einen 5,3-Sekunden-Clip in etwa einer Sekunde. Das sei schneller als jedes andere Videomodell, das das Unternehmen gemessen hat. Es sind Rekas eigene Messungen auf eigener Hardware, und niemand außerhalb der Firma hat sie reproduziert.

Ein Modell oder ein Stack mit versteckten Nahtstellen

Die Behauptung, Rho-1 lege den multimodalen Stack zusammen, läuft der Richtung entgegen, die die meisten Labore in diesem Jahr eingeschlagen haben. Interfaze 1.1 Lite, am 5. Oktober auf Hugging Face veröffentlicht, ist ausdrücklich das Gegenteil. Es ist ein Reasoning-Kern, der Spezialarchitekturen für Dokumentenlesen, Sprache, Segmentierung und Prognose aufruft. Es läuft auf einer einzigen 80-GB-GPU ohne externe Dienste. Die Modellkarte listet Komponente für Komponente auf, was jeder Spezialist tut.

Liquid AIs d1, ebenfalls am 5. Oktober vorgestellt, geht in die andere Richtung noch weiter. Es ist ein Entscheidungsmodell: Es liest Text, Bilder oder beides in einem Forward Pass und gibt Wahrscheinlichkeiten zurück, ohne überhaupt Tokens zu erzeugen. Laut Liquid dauert eine Textentscheidung 200 bis 300 ms. Das Unternehmen behauptet, d1 erreiche oder übertreffe GPT-6.1 Sol in vier von sechs Testanwendungen. Außerdem koste d1 19x bis 200x weniger als GPT-6.1 Sol und Claude Opus 5.5. Diese Vergleiche stammen von Liquid selbst.

Der Markt spaltet sich also. Manche Anbieter verkaufen ein großes Modell, das alles kann. Andere verkaufen einen kleinen Router plus Spezialisten. Liquid verkauft ein Modell, das Ja oder Nein antwortet. Alle drei Lager haben am 5. Oktober innerhalb von Stunden veröffentlicht. Das deutet darauf hin, dass der Architekturstreit alles andere als entschieden ist.

Beam von Reflection, am selben Tag angekündigt, erinnert daran, dass Skalierung weiterhin ein Hebel ist. Beam ist ein sparse Mixture-of-Experts-Modell mit 501 Milliarden Gesamtparametern und 23 Milliarden aktiven. Es wurde laut Firmenblog auf 23,8 Billionen Tokens vorab trainiert. Reflection zufolge erzeugte ein Reinforcement-Learning-Lauf mit hoher Rechenleistung über vier Wochen mehr als 100 Millionen Rollouts auf 10.500 NVIDIA GB300 GPUs. Beam ist kein Videomodell. Es zeigt, was Frontier-Labore ausgeben, um bei Coding- und Agentenaufgaben konkurrenzfähig zu bleiben.

Beam durchläuft noch die abschließenden Red-Teaming- und Evaluierungsphasen. Reflection kündigt an, später in diesem Monat Gewichte, einen technischen Bericht, eine Modellkarte und Entwicklerartefakte zu veröffentlichen. Dieses Muster, erst ankündigen und die Gewichte später liefern, ist inzwischen üblich. Es macht unabhängige Überprüfung langsam.

Agenten-Harnesses sind der Ort, an dem die Zahlen beißen

Der nützlichere Vergleich für Käufer sind nicht Benchmark-Tabellen, sondern die Kosten pro Aufgabe in einer Agentenschleife. Ein GitHub-Projekt namens Jeff-Code, am 5. Oktober veröffentlicht, kombiniert ein Entscheidungsmodell mit 800 Millionen Parametern mit Qwen 3.8-27B. Es meldet Coding-Aufgaben, die 47% schneller fertig sind, 32% weniger Zeit, bei gleicher Pass Rate. Die Pass Rate lag bei 62,4% gegenüber 62,8% für Qwen allein. Das ist eine gepaarte Differenz von minus 0,2 Punkten, mit einem 95%-Intervall von minus 2,6 bis plus 2,1, über 1.242 gepaarte Aufgaben.

Der Autor ist vorsichtig bei den Grenzen. Die Gesamtzeit über alle Aufgaben sinkt nur auf 0,86x, weil bei etwa 5% der Aufgaben das Setup mehr als 30 Minuten länger läuft als bei Qwen allein. Das Denken in jedem Schritt abzuschalten war noch schneller, kostete aber 7,6 Punkte. Genau solche Abwägungen müsste das Einzelnetz-Design von Rho-1 schlagen. Reka hat keine Agentenzahlen pro Aufgabe veröffentlicht.

Reika, ein weiteres Coding-Agenten-CLI, am 5. Oktober veröffentlicht, wählt den Weg über kleine Modelle und legt seine Ergebnisse offen. Demnach bewältigten Modelle mit 9 bis 35 Milliarden Parametern Multi-File-Aufgaben am zuverlässigsten. Modelle mit 7 bis 9 Milliarden Parametern schafften einfache, klar abgegrenzte Aufgaben, und Modelle unter 7 Milliarden Parametern kamen selten weit. Außerdem berichtet Reika, dass ein Rewrite im mittleren Kontext 8.453 Tokens Prompt neu verarbeitete, 7,9 Minuten Prefill. Ein Anhängen in derselben Sitzung kostete 25 Tokens und 3,5 Sekunden.

Nichts davon entscheidet, ob ein Omni-Modell besser ist als ein Stack. Es zeigt aber, dass die Kosten einer Pipeline messbar sind und dass die Leute, die Agenten bauen, sie messen.

Werbung hält Einzug in den Bildgenerator

Auf der Produktseite sagte OpenAI, es werde visuelle Werbung in ChatGPT während der Bildgenerierung testen. Der Test startet später in diesem Monat in den USA mit einer ersten Gruppe von Werbetreibenden, berichtete BleepingComputer am 5. Oktober. OpenAI zufolge wird die Werbung klar gekennzeichnet und bleibt getrennt vom erzeugten Bild. Außerdem beeinflusse die Werbung die Antworten von ChatGPT nicht. Das Unternehmen gibt an, ChatGPT erreiche 1,2 Milliarden Menschen pro Woche.

OpenAI ergänzt laut demselben Bericht außerdem Conversion-Messung über Hightouch, Tealium und LiveRamp sowie Brand-Suitability-Arbeit mit DoubleVerify und Integral Ad Science. Das Unternehmen versichert, diese Partner erhielten keinen Zugriff auf private Nutzergespräche.

Für alle, die eine generative Bildfunktion ausliefern, ist das die kommerzielle Richtung: Die Ausgabeoberfläche wird zum Werbeplatz. Rho-1s interaktive Videodemo und OpenAIs Werbeplatz sind verschiedene Produkte. Beide setzen voraus, dass die Generierung in einer Sitzung stattfindet, die der Anbieter kontrolliert.

Offen bleibt die Überprüfung. Reka hat einen Forschungspost mit Videos und Abbildungen veröffentlicht, keine Gewichte. Interfazes Modellkarte ist öffentlich, aber das Modell ist ein Download, kein Benchmark-Lauf, den jemand prüfen könnte. Liquids Vergleich stützt sich auf sechs Anwendungen, die das Unternehmen selbst ausgewählt hat. Bis unabhängige Evaluierungen vorliegen, ist die sicherste Lesart des 5. Oktober, dass multimodale Generierung mehrere plausible Architekturen bekommen hat und keinen klaren Sieger.