Rho-1 de Reka réunit texte, vidéo et actions de robot dans un seul modèle de 19 000 000 000 de paramètres

Reka a mis en ligne l'aperçu de recherche Rho-1 le 5 octobre. Le modèle compte 19 000 000 000 de paramètres et a été entraîné à partir de zéro. Il traite le texte, les images, la vidéo et les politiques motrices dans une même fenêtre de contexte, d'après la note de recherche de l'entreprise. C'est un aperçu, pas un produit commercial. Reka ne donne aucune date de publication pour les poids.

Pourquoi c'est important : la plupart des produits multimodaux sont des chaînes de traitement. Un modèle central planifie, puis confie le travail à des spécialistes distincts de l'image, de la vidéo ou de la parole, et chaque relais ajoute de la latence. L'argument de Rho-1 est qu'un seul réseau supprime ces jointures. Cela compterait pour quiconque construit des agents qui lisent une scène, la modifient puis agissent dessus. Ce qui reste inconnu, c'est la tenue de l'approche hors des démonstrations de Reka, et son coût d'exploitation.

La note de Reka décrit une session de cinq tours. Le modèle dessine une scène statique, y localise un objet, anime la scène en vidéo, modifie la météo puis explique ce qui a changé. Chaque tour lit et écrit dans le même cache KV, que Reka appelle un état du monde persistant. Les demandes d'image passent par une tour de diffusion. Une demande de boîte englobante reste du côté de la compréhension, indique l'entreprise.

Les chiffres de vitesse sont la partie concrète. Reka annonce que le modèle de base génère de la vidéo à 0,79 fois le temps réel, en médiane, avec un flux regardable qui démarre en 6 secondes environ. Une variante distillée ramène la trajectoire de débruitage de 99 étapes à 8, avec ce que Reka décrit comme une perte de qualité minimale. Lors des tests internes de Reka, cette variante a rendu un clip de 5,3 secondes en une seconde environ. L'entreprise affirme que c'est plus rapide que tout autre modèle vidéo qu'elle a chronométré. Ce sont ses propres mesures, sur son propre matériel, et personne en dehors de l'entreprise ne les a reproduites.

Un seul modèle, ou une pile dont on cache les jointures

L'affirmation selon laquelle Rho-1 replie la pile multimodale va à l'encontre de la direction prise cette année par la plupart des laboratoires. Interfaze 1.1 Lite, mis en ligne sur Hugging Face le 5 octobre, relève explicitement du dessin inverse. C'est un cœur de raisonnement qui appelle des architectures spécialisées pour la lecture de documents, la parole, la segmentation et la prévision. Il tourne sur un seul GPU de 80 Go, sans service externe. Sa fiche modèle détaille composant par composant ce que fait chaque spécialiste.

d1 de Liquid AI, également présenté le 5 octobre, pousse plus loin dans l'autre sens. C'est un modèle de décision : il lit du texte, des images ou les deux en une seule passe avant et renvoie des probabilités, sans générer le moindre token. Liquid annonce qu'une décision sur du texte prend 200 à 300 ms. L'entreprise affirme que d1 égale ou dépasse GPT-6.1 Sol sur quatre des six applications testées. Elle affirme aussi que d1 coûte 19 à 200 fois moins que GPT-6.1 Sol et Claude Opus 5.5. Ces comparaisons viennent de Liquid elle-même.

Le marché se divise donc. Certains éditeurs vendent un gros modèle qui fait tout. D'autres vendent un petit routeur plus des spécialistes. Liquid vend un modèle qui répond oui ou non. Les trois camps ont publié à quelques heures d'intervalle, le 5 octobre. Le débat sur l'architecture est donc loin d'être tranché.

Beam de Reflection, annoncé le même jour, rappelle que l'échelle reste un levier. Beam est un modèle à mélange d'experts creux, avec 501 000 000 000 de paramètres au total et 23 000 000 000 actifs. Il a été préentraîné sur 23 800 000 000 000 de tokens, selon le blog de l'entreprise. Reflection indique qu'une passe d'apprentissage par renforcement à fort budget de calcul a produit plus de 100 000 000 de rollouts sur 10 500 GPU NVIDIA GB300 en quatre semaines. Beam n'est pas un modèle vidéo. Il montre ce que les laboratoires de pointe dépensent pour rester compétitifs sur le code et les tâches agentiques.

Beam passe encore par les tests adversariaux et évaluations finaux. Reflection annonce la publication des poids, d'un rapport technique, d'une fiche modèle et d'outils pour développeurs plus tard ce mois-ci. Ce schéma, annoncer d'abord et livrer les poids ensuite, est devenu courant. Il ralentit la vérification indépendante.

Les harnais d'agents, là où les chiffres mordent

Pour un acheteur, la comparaison utile n'est pas un tableau de benchmarks mais le coût d'un modèle par tâche dans une boucle d'agent. Un projet GitHub nommé Jeff-Code, publié le 5 octobre, associe un modèle de décision de 800 000 000 de paramètres à Qwen 3.8-27B. Il rapporte des tâches de code terminées 47 % plus vite, soit 32 % de temps en moins, à taux de réussite égal. Le taux de réussite est de 62,4 % contre 62,8 % pour Qwen seul. Soit un écart apparié de moins 0,2 point, avec un intervalle à 95 % de moins 2,6 à plus 2,1, sur 1 242 tâches appariées.

L'auteur reste prudent sur les limites. Le temps total sur l'ensemble des tâches ne descend qu'à 0,86 fois, car dans environ 5 % des tâches la mise en place dépasse de plus de 30 minutes celle de Qwen seul. Désactiver la réflexion à chaque tour allait encore plus vite mais coûtait 7,6 points. C'est le type d'arbitrage que le dessin à réseau unique de Rho-1 devrait battre. Reka n'a pas publié de chiffres par tâche pour ses agents.

Reika, autre CLI d'agent de code publié le 5 octobre, choisit la voie des petits modèles et publie ses résultats. Il indique que les modèles de 35 000 000 000 à 27 000 000 000 de paramètres traitaient le plus fiablement les tâches multi-fichiers. Les modèles de 9 000 000 000 à 7 000 000 000 de paramètres venaient à bout des tâches simples et bien délimitées, et ceux sous 7 000 000 000 de paramètres allaient rarement loin. Il rapporte aussi qu'une réécriture en milieu de contexte a retraité 8 453 tokens de prompt, soit 7,9 minutes de préremplissage. Un ajout dans la même session a coûté 25 tokens et 3,5 secondes.

Rien de tout cela ne tranche si un modèle omni vaut mieux qu'une pile. Cela montre en revanche que le coût d'une chaîne est mesurable, et que ceux qui construisent des agents le mesurent.

La publicité arrive dans le générateur d'images

Côté produit, OpenAI a annoncé qu'il testerait des annonces visuelles dans ChatGPT pendant la génération d'images. Le test démarre plus tard ce mois-ci aux États-Unis avec un premier groupe d'annonceurs, rapporte BleepingComputer le 5 octobre. OpenAI précise que les annonces seront clairement étiquetées et resteront séparées de l'image en cours de création. L'entreprise affirme aussi que les annonces n'influencent pas les réponses de ChatGPT. Elle indique que ChatGPT touche 1 200 000 000 de personnes chaque semaine.

OpenAI ajoute aussi la mesure des conversions via Hightouch, Tealium et LiveRamp, et un travail sur la compatibilité de marque avec DoubleVerify et Integral Ad Science, selon le même article. L'entreprise assure que ces partenaires n'auront pas accès aux conversations privées des utilisateurs.

Pour qui livre une fonction de génération d'images, c'est la direction commerciale : la surface de sortie devient un inventaire. La démo vidéo interactive de Rho-1 et l'emplacement publicitaire d'OpenAI sont des produits différents. Tous deux supposent que la génération se fait dans une session contrôlée par l'éditeur.

Ce qui reste ouvert, c'est la vérification. Reka a publié une note de recherche avec des vidéos et des chiffres, pas des poids. La fiche modèle d'Interfaze est publique, mais le modèle est un téléchargement, pas un benchmark que quiconque peut auditer. La comparaison de Liquid repose sur six applications qu'elle a choisies. Tant que des évaluations indépendantes ne seront pas disponibles, la lecture la plus sûre du 5 octobre est que la génération multimodale a gagné plusieurs architectures plausibles et aucun vainqueur clair.