Reka 的 Rho-1 把文本、视频和机器人动作放进一个 190亿参数模型

Reka 在 10 月 5 日公布了 Rho-1 的研究预览版。模型有 190亿参数，从零开始训练。按照公司研究博客的说法，它在同一个上下文窗口里处理文本、图像、视频和运动策略。这是预览版，不是已经上市的产品。Reka 没有给出权重开放的时间表。

为什么值得关注：多数多模态产品其实是流水线。一个中心模型负责规划，然后把活交给独立的图像、视频或语音专家模型，每次交接都增加延迟。Rho-1 的卖点是同一个网络消除了这些接缝。对任何要构建智能体的人来说这都有意义，因为这类智能体需要读懂一个场景、改动它、再对它采取行动。目前还不清楚的是，这种做法在 Reka 自己的演示之外是否站得住，以及运行成本有多高。

Reka 的博客描述了一个五轮会话。模型先画出一个静态场景，在其中定位一个物体，把场景做成动画视频，修改天气，然后解释发生了什么变化。每一轮都读写同一份 KV 缓存，Reka 称之为持久的世界状态。图像请求被路由到一个扩散塔。公司称，请求边界框则留在理解这一侧处理。

速度数字是其中具体的部分。Reka 称基础模型生成视频的速度是中位数 0.79 倍实时，大约 6 秒后开始出现可观看的画面。一个蒸馏版本把去噪轨迹从 99 步压到 8 步，Reka 称质量损失很小。在 Reka 的内部测试中，这个版本用大约一秒返回了一段 5.3 秒的片段。公司称这比它测过的任何其他视频模型都快。这些都是 Reka 自己在自家硬件上测的数据，公司之外没有人复现过。

一个模型，还是把接缝藏起来的堆栈

Rho-1 号称把多模态堆栈收进一个模型，这与今年大多数实验室走的方向相反。Interfaze 的 1.1 Lite 于 10 月 5 日发布在 Hugging Face 上，明确是相反的设计。它是一个推理核心，为文档阅读、语音、分割和预测分别调用专家架构。它在一块 80 GB 显卡上运行，不依赖外部服务。它的模型卡逐项列出每个专家负责什么。

同样在 10 月 5 日推出的 Liquid AI 的 d1 朝另一个方向走得更远。它是一个决策模型：一次前向传播读取文本、图像或两者，然后返回概率，完全不生成 token。Liquid 称一次文本决策耗时 200 到 300 毫秒。公司声称 d1 在六项测试应用中的四项上追平或超过 GPT-6.1 Sol。它还称 d1 的成本比 GPT-6.1 Sol 和 Claude Opus 5.5 低 19 倍到 200 倍。这些比较都来自 Liquid 自己。

市场因此出现分化。一些厂商卖一个什么都能做的大模型。另一些卖一个小路由器加若干专家模型。Liquid 卖的则是一个回答是或否的模型。三家都在 10 月 5 日的几小时内发布了消息。这说明架构之争远未定论。

同一天宣布的 Reflection 的 Beam 提醒人们，规模仍然是一根杠杆。Beam 是一个稀疏混合专家模型，总参数 5010亿，激活 230亿。据公司博客，它用 238000亿 token 预训练。Reflection 称一次高算力强化学习运行在 10500 块 NVIDIA GB300 显卡上历时四周，产生了超过 1亿次 rollout。Beam 不是视频模型。它显示前沿实验室为在编程和智能体任务上保持竞争力花了多少钱。

Beam 仍在进行最后的红队测试和评估。Reflection 称本月晚些时候会放出权重、技术报告、模型卡和开发者工件。先宣布、后放权重，这种模式现在很常见。它让独立验证变慢。

数字真正咬人的地方是智能体框架

对买家更有用的比较不是基准表，而是一个模型在智能体循环里每个任务花多少钱。10 月 5 日发布的一个 GitHub 项目 Jeff-Code 把一个 8亿参数的决策模型和 Qwen 3.8-27B 配在一起。它报告编程任务完成速度快了 47%，时间少 32%，通过率不变。通过率为 62.4%，单独用 Qwen 是 62.8%。在 1242 个配对任务上，这是负 0.2 个百分点的配对差异，95% 区间为负 2.6 到正 2.1。

作者对局限写得很谨慎。所有任务的总时间只降到 0.86 倍，因为在约 5% 的任务里，准备工作比单用 Qwen 多花 30 分钟以上。每一轮都关掉思考会更快，但代价是 7.6 个百分点。这正是 Rho-1 的单网络设计必须打赢的那类取舍。Reka 没有公布按任务计的智能体数据。

同一天发布的另一个编程智能体命令行工具 Reika 走小模型路线，并公布了结果。它称 350亿到 270亿的模型处理多文件任务最可靠。90亿到 70亿的模型能应付简单、边界清楚的任务，70亿以下的模型很少走得远。它还报告说，一次中等上下文的改写重新处理了 8453 个 token 的提示，预填充耗时 7.9 分钟。同一会话里的一次追加只花 25 个 token 和 3.5 秒。

这些都不能断定一个全能模型是否优于一个堆栈。它确实说明流水线的成本是可以测量的，而构建智能体的人正在测量它。

广告进入图像生成器

在产品一侧，OpenAI 表示将在 ChatGPT 生成图像的过程中测试视觉广告。据 BleepingComputer 10 月 5 日报道，测试本月晚些时候在美国启动，先面向一小批广告主。OpenAI 称广告会明确标注，并且与正在生成的图像保持分离。它还称广告不会影响 ChatGPT 的回答。公司称 ChatGPT 每周触达 12亿人。

据同一篇报道，OpenAI 还在通过 Hightouch、Tealium 和 LiveRamp 增加转化测量，并与 DoubleVerify 和 Integral Ad Science 合作做品牌适配。公司称这些合作方不会获得用户的私人对话。

对任何要上线生成式图像功能的人来说，这就是商业方向：输出界面变成广告位。Rho-1 的交互式视频演示和 OpenAI 的广告位是不同的产品。两者都假定生成发生在厂商控制的会话里。

仍然悬着的是验证。Reka 公布的是一篇带视频和图表的研究博客，不是权重。Interfaze 的模型卡是公开的，但模型是一个下载包，不是谁都能审计的基准运行。Liquid 的比较建立在它自己挑的六项应用上。在独立评估出来之前，对 10 月 5 日最稳妥的解读是：多模态生成多了几种看似可行的架构，没有明确的赢家。