Rho-1 di Reka mette testo, video e azioni robotiche in un solo modello da 19 miliardi di parametri

Reka ha pubblicato l'anteprima di ricerca di Rho-1 il 5 ottobre. Il modello ha 19 miliardi di parametri ed è stato addestrato da zero. Gestisce testo, immagini, video e politiche motorie in un'unica finestra di contesto, secondo il post di ricerca dell'azienda. È un'anteprima, non un prodotto in vendita. Reka non indica una data per il rilascio dei pesi.

Perché conta: la maggior parte dei prodotti multimodali è fatta di pipeline. Un modello centrale pianifica, poi passa il lavoro a specialisti separati per immagini, video o voce, e ogni passaggio aggiunge latenza. La promessa di Rho-1 è che un'unica rete elimina queste giunture. Sarebbe rilevante per chi costruisce agenti che leggono una scena, la modificano e poi agiscono su di essa. Resta da capire se l'approccio regge fuori dalle demo di Reka e quanto costa farlo girare.

Il post di Reka descrive una sessione di cinque turni. Il modello disegna una scena statica, individua un oggetto al suo interno, anima la scena in un video, modifica il meteo e poi spiega cosa è cambiato. Ogni turno legge e scrive sulla stessa cache KV, che Reka chiama stato del mondo persistente. Le richieste di un'immagine vanno a una torre di diffusione. Una richiesta di bounding box resta sul lato della comprensione, dice l'azienda.

I numeri sulla velocità sono la parte concreta. Reka dice che il modello base genera video a 0,79x la velocità reale, mediana, con uno stream guardabile che parte in circa 6 secondi. Una variante distillata riduce la traiettoria di denoising da 99 passi a 8, con quello che Reka descrive come una perdita di qualità minima. Nei test interni di Reka, quella variante ha restituito una clip di 5,3 secondi in circa un secondo. L'azienda dice che è più veloce di qualsiasi altro modello video abbia cronometrato. Sono misure di Reka, sul suo hardware, e nessuno fuori dall'azienda le ha riprodotte.

Un modello, o uno stack con le giunture nascoste

L'affermazione che Rho-1 comprime lo stack multimodale va contro la direzione presa quest'anno dalla maggior parte dei laboratori. Interfaze 1.1 Lite, pubblicato su Hugging Face il 5 ottobre, è esplicitamente il progetto opposto. È un nucleo di ragionamento che chiama architetture specialistiche per lettura di documenti, voce, segmentazione e previsioni. Gira su una sola GPU da 80 GB senza servizi esterni. La sua model card elenca componente per componente cosa fa ogni specialista.

d1 di Liquid AI, anch'esso presentato il 5 ottobre, va oltre nella direzione opposta. È un modello decisionale: legge testo, immagini o entrambi in un solo forward pass e restituisce probabilità, senza generare alcun token. Liquid dice che una decisione su testo richiede da 200 a 300 ms. L'azienda sostiene che d1 eguaglia o batte GPT-6.1 Sol su quattro delle sei applicazioni di test. Dice anche che d1 costa da 19x a 200x meno sia di GPT-6.1 Sol sia di Claude Opus 5.5. Quei confronti vengono da Liquid stessa.

Il mercato quindi si sta dividendo. Alcuni fornitori vendono un grande modello che fa tutto. Altri vendono un piccolo router più specialisti. Liquid vende un modello che risponde sì o no. Tutti e tre gli schieramenti hanno pubblicato a poche ore di distanza il 5 ottobre. Questo suggerisce che la discussione sull'architettura è tutt'altro che chiusa.

Beam di Reflection, annunciato lo stesso giorno, ricorda che la scala è ancora una leva. Beam è un modello mixture-of-experts sparso con 501 miliardi di parametri totali e 23 miliardi attivi. È stato preaddestrato su 23,8 trilioni di token, secondo il blog dell'azienda. Reflection dice che una sessione di reinforcement learning ad alto calcolo ha generato oltre 100 milioni di rollout su 10.500 GPU NVIDIA GB300 in quattro settimane. Beam non è un modello video. Mostra quanto spendono i laboratori di frontiera per restare competitivi su coding e compiti agentici.

Beam è ancora in fase di red-teaming e valutazioni finali. Reflection dice che rilascerà pesi, un report tecnico, una model card e artefatti per sviluppatori più avanti questo mese. Questo schema, annunciare prima e rilasciare i pesi dopo, è ormai comune. Rende lenta la verifica indipendente.

Gli harness per agenti sono il punto in cui i numeri mordono

Per chi compra, il confronto più utile non sono le tabelle di benchmark ma quanto costa un modello per compito in un loop agentico. Un progetto GitHub chiamato Jeff-Code, pubblicato il 5 ottobre, abbina un modello decisionale da 0,8 miliardi di parametri a Qwen 3.8-27B. Riporta compiti di coding completati il 47% più in fretta, il 32% in meno di tempo, a parità di pass rate. Il pass rate era 62,4% contro 62,8% per Qwen da solo. È una differenza appaiata di meno 0,2 punti, con un intervallo al 95% da meno 2,6 a più 2,1, su 1.242 compiti appaiati.

L'autore è attento ai limiti. Il tempo totale su tutti i compiti scende solo a 0,86x, perché in circa il 5% dei compiti la configurazione gira più di 30 minuti in più rispetto a Qwen da solo. Disattivare il thinking a ogni turno era ancora più veloce ma costava 7,6 punti. È il tipo di compromesso che il design a rete unica di Rho-1 dovrebbe battere. Reka non ha pubblicato numeri per compito sugli agenti.

Reika, un'altra CLI per agenti di coding pubblicata il 5 ottobre, sceglie la strada dei modelli piccoli e pubblica i suoi risultati. Dice che i modelli da 14 a 35 miliardi di parametri gestivano i compiti su più file con maggiore affidabilità. I modelli da 8 a 9 miliardi se la cavavano con compiti semplici e ben delimitati, e quelli sotto i 7 miliardi raramente andavano lontano. Riporta anche che una riscrittura a metà contesto ha riprocessato 8.453 token di prompt, 7,9 minuti di prefill. Un'aggiunta nella stessa sessione è costata 25 token e 3,5 secondi.

Niente di tutto questo stabilisce se un unico modello omnicomprensivo sia meglio di uno stack. Mostra però che il costo di una pipeline è misurabile, e che chi costruisce agenti lo sta misurando.

La pubblicità arriva nel generatore di immagini

Sul fronte prodotto, OpenAI ha detto che testerà annunci visivi dentro ChatGPT durante la generazione di immagini. Il test parte più avanti questo mese negli Stati Uniti con un gruppo iniziale di inserzionisti, ha riportato BleepingComputer il 5 ottobre. OpenAI dice che gli annunci saranno chiaramente etichettati e resteranno separati dall'immagine in creazione. Dice anche che gli annunci non influenzano le risposte di ChatGPT. L'azienda afferma che ChatGPT raggiunge 1,2 miliardi di persone ogni settimana.

OpenAI sta anche aggiungendo la misurazione delle conversioni tramite Hightouch, Tealium e LiveRamp, e un lavoro sulla brand suitability con DoubleVerify e Integral Ad Science, secondo lo stesso report. L'azienda dice che quei partner non avranno accesso alle conversazioni private degli utenti.

Per chiunque rilasci una funzione di generazione di immagini, questa è la direzione commerciale: la superficie di output diventa inventario. La demo video interattiva di Rho-1 e lo slot pubblicitario di OpenAI sono prodotti diversi. Entrambi presuppongono che la generazione avvenga dentro una sessione controllata dal fornitore.

Quello che resta aperto è la verifica. Reka ha pubblicato un post di ricerca con video e figure, non i pesi. La model card di Interfaze è pubblica, ma il modello è un download, non un benchmark che chiunque possa controllare. Il confronto di Liquid si basa su sei applicazioni scelte da lei. Finché non arriveranno valutazioni indipendenti, la lettura più prudente del 5 ottobre è che la generazione multimodale ha diversi progetti plausibili e nessun vincitore chiaro.