Rho-1 od Reki: tekst, wideo i ruchy robota w jednym modelu 19B

Reka udostępniła podgląd badawczy Rho-1 5 października. Model ma 19 mld parametrów i powstał od zera. Obsługuje tekst, obrazy, wideo i polityki ruchu w jednym oknie kontekstu, wynika z wpisu badawczego firmy. To podgląd, nie produkt gotowy do sprzedaży. Reka nie podaje daty udostępnienia wag.

Dlaczego to ważne: większość produktów multimodalnych to zestawy połączonych modułów. Model centralny planuje, a potem przekazuje pracę osobnym specjalistom od obrazów, wideo czy mowy, i każde takie przekazanie dodaje opóźnienie. Rho-1 obiecuje, że jedna sieć usuwa te szwy. To miałoby znaczenie dla każdego, kto buduje agentów, które czytają scenę, zmieniają ją, a potem działają. Nie wiadomo jeszcze, czy to podejście działa poza demonstracjami samej Reki i ile kosztuje jego uruchomienie.

Wpis Reki opisuje sesję złożoną z pięciu tur. Model rysuje statyczną scenę, wskazuje w niej obiekt, animuje scenę w wideo, zmienia pogodę i na końcu wyjaśnia, co się zmieniło. Każda tura czyta z tego samego KV cache i do niego zapisuje; Reka nazywa to trwałym stanem świata. Żądania obrazu trafiają do wieży dyfuzyjnej. Żądanie ramki ograniczającej zostaje po stronie rozumienia, podała firma.

Liczby dotyczące szybkości są konkretną częścią. Reka podaje, że model bazowy generuje wideo z szybkością 0,79x czasu rzeczywistego (mediana), a strumień nadający się do oglądania startuje po około 6 sekundach. Wariant destylowany skraca trajektorię odszumiania z 99 kroków do 8, przy czym według Reki strata jakości jest minimalna. W wewnętrznych testach firmy ten wariant zwrócił 5,3-sekundowy klip w około sekundę. Firma twierdzi, że to szybciej niż w przypadku każdego innego modelu wideo, który mierzyła. To pomiary samej Reki, na jej własnym sprzęcie, i nikt spoza firmy ich nie powtórzył.

Jeden model albo stos z ukrytymi łączeniami

Twierdzenie, że Rho-1 składa stos multimodalny w jedno, idzie pod prąd kierunku, który w tym roku przyjęła większość laboratoriów. Interfaze 1.1 Lite, opublikowany na Hugging Face 5 października, jest wyraźnie zaprojektowany odwrotnie. To rdzeń rozumowania, który wywołuje wyspecjalizowane architektury do czytania dokumentów, mowy, segmentacji i prognozowania. Działa na jednym GPU z 80 GB pamięci, bez zewnętrznych usług. Karta modelu wymienia komponent po komponencie, co robi każdy specjalista.

d1 od Liquid AI, również zaprezentowany 5 października, idzie dalej w drugą stronę. To model decyzyjny: czyta tekst, obrazy albo jedno i drugie w jednym przejściu i zwraca prawdopodobieństwa, nie generując żadnych tokenów. Liquid podaje, że decyzja na tekście zajmuje 200 do 300 ms. Firma twierdzi, że d1 dorównuje GPT-6.1 Sol albo go przewyższa w czterech z sześciu testowanych zastosowań. Mówi też, że d1 kosztuje 19 do 200 razy mniej niż GPT-6.1 Sol i Claude Opus 5.5. Te porównania pochodzą od samego Liquid.

Rynek się więc rozdziela. Jedni dostawcy sprzedają jeden duży model, który robi wszystko. Inni mały router plus specjalistów. Liquid sprzedaje model, który odpowiada tak albo nie. Wszystkie trzy obozy opublikowały swoje prace w ciągu kilku godzin od siebie, 5 października. To sugeruje, że spór o architekturę jest daleki od rozstrzygnięcia.

Beam od Reflection, ogłoszony tego samego dnia, przypomina, że skala wciąż jest dźwignią. Beam to rzadki model mieszanki ekspertów o 501 mld parametrów łącznie i 23 mld aktywnych. Wytrenowano go na 23,8 bln tokenów, według bloga firmy. Reflection podaje, że przebieg uczenia ze wzmocnieniem o wysokim nakładzie obliczeniowym wygenerował ponad 100 mln prób na 10,5 tys. GPU NVIDIA GB300 w ciągu czterech tygodni. Beam nie jest modelem wideo. Pokazuje, ile czołowe laboratoria wydają, żeby utrzymać konkurencyjność w zadaniach programistycznych i agentowych.

Beam wciąż przechodzi końcowe testy red team i ewaluacje. Reflection zapowiada, że w tym miesiącu udostępni wagi, raport techniczny, kartę modelu i materiały dla deweloperów. Ten schemat, najpierw zapowiedź, wagi później, jest już powszechny. Spowalnia niezależną weryfikację.

Koszty ujawniają się w pętli agenta

Dla kupującego użyteczniejsze niż tabele testów porównawczych jest to, ile model kosztuje na zadanie w pętli agenta. Projekt na GitHubie o nazwie Jeff-Code, opublikowany 5 października, łączy model decyzyjny o 0,8 mld parametrów z Qwen 3.8-27B. Raportuje zadania programistyczne kończone 47% szybciej, o 32% mniej czasu, przy tym samym odsetku zaliczonych zadań. Ten odsetek wyniósł 62,4% wobec 62,8% dla samego Qwen. To różnica w parach minus 0,2 pkt, z przedziałem ufności 95% od minus 2,6 do plus 2,1, na 1 242 parach zadań.

Autor ostrożnie opisuje ograniczenia. Łączny czas wszystkich zadań spada tylko do 0,86x, bo w około 5% zadań konfiguracja działa ponad 30 minut dłużej niż sam Qwen. Wyłączenie myślenia w każdej turze było jeszcze szybsze, ale kosztowało 7,6 pkt. To właśnie ten kompromis musiałaby pobić jednotkowa konstrukcja Rho-1. Reka nie opublikowała wyników agentowych na zadanie.

Reika, kolejny agent programistyczny w wierszu poleceń, opublikowany 5 października, wybiera drogę małych modeli i publikuje swoje ustalenia. Podaje, że modele o 14 do 35 mld parametrów najpewniej radziły sobie z zadaniami obejmującymi wiele plików. Modele o 8 do 9 mld parametrów dawały radę z prostymi, dobrze określonymi zadaniami, a modele poniżej 7 mld rzadko zachodziły daleko. Raport mówi też, że jeden przepis kontekstu w środku sesji przetworzył ponownie 8 453 tokeny promptu, czyli 7,9 minuty prefillu. Dopisanie czegoś w tej samej sesji kosztowało 25 tokenów i 3,5 sekundy.

Nic z tego nie rozstrzyga, czy jeden model omnimodalny jest lepszy od stosu. Pokazuje natomiast, że koszt zestawu modułów da się zmierzyć i że ludzie budujący agentów go mierzą.

Reklamy wchodzą do generatora obrazów

Po stronie produktu OpenAI zapowiedziało, że przetestuje reklamy wizualne w ChatGPT podczas generowania obrazów. Test startuje w tym miesiącu w USA z pierwszą grupą reklamodawców, podał BleepingComputer 5 października. OpenAI twierdzi, że reklamy będą wyraźnie oznaczone i pozostaną oddzielone od tworzonego obrazu. Firma mówi też, że reklamy nie wpływają na odpowiedzi ChatGPT. Podaje, że ChatGPT dociera do 1,2 mld ludzi tygodniowo.

OpenAI dodaje również pomiar konwersji przez Hightouch, Tealium i LiveRamp oraz prace nad dopasowaniem marek z DoubleVerify i Integral Ad Science, według tego samego doniesienia. Firma zapewnia, że ci partnerzy nie dostaną dostępu do prywatnych rozmów użytkowników.

Dla każdego, kto wypuszcza funkcję generowania obrazów, to kierunek komercyjny: powierzchnia wyjściowa staje się powierzchnią reklamową. Interaktywne demo wideo Rho-1 i miejsce reklamowe OpenAI to różne produkty. Oba zakładają, że generowanie odbywa się w sesji kontrolowanej przez dostawcę.

Otwarta pozostaje weryfikacja. Reka opublikowała wpis badawczy z wideo i liczbami, nie wagi. Karta modelu Interfaze jest publiczna, ale sam model to plik do pobrania, nie przebieg testu, który ktokolwiek może zaudytować. Porównanie Liquid opiera się na sześciu zastosowaniach, które firma wybrała. Dopóki nie pojawią się niezależne oceny, najbezpieczniejsze odczytanie 5 października jest takie, że generowanie multimodalne dostało kilka wiarygodnych architektur i żadnego wyraźnego zwycięzcy.