多模态模型走向小型化与单栈整合：Reka 的 190亿参数 Rho-1、Liquid 的 d1 与 Interfaze 的 MoA

Reka 的 Rho-1 是这批多模态发布中最新的一款，10月5日 公布。公司称它是一个从零训练的“全能推理”模型，参数量为 190亿。卖点在于架构。Rho-1 没有让一个中心模型把任务分派给独立的视觉、视频和动作专家，而是把文本、视觉和机器人动作放进同一个上下文窗口。

“今天大多数 AI 系统都是智能体流水线：一个中心模型负责规划与分派，把活儿交给各模态的专家，”Reka 的实验室文章写道，“Rho-1 把这一整套栈压缩掉了。”文章说，在一次未经剪辑的五轮会话里，模型画出一个场景、定位其中一个物体、把它做成动画视频、修改天气，再解释发生了什么变化。

Reka 公布的数字是速度，不是基准测试表。文章称，基础模型生成视频的速度中位数为实时的 0.79 倍。一段可观看的流大约 6 秒后开始。一个蒸馏版本把去噪轨迹从 99 步压到 8 步。Reka 表示，内部测试中它大约 1 秒就返回了一段 5.3 秒的片段。

小模型、窄任务、更低的账单

Liquid AI 在同一天推出 d1，这是它第一个决策模型，现在支持图像。决策模型返回的是概率而不是生成 token：一个是或否的答案、一个标签、一个分数。Liquid 称一次文本决策耗时 200 到 300 毫秒。

公司拿 d1 与 GPT-6.1 Sol 和 Claude Opus 5.5 在六个应用上做了对比，从过滤客服工单到检查电路板。据 Liquid 的博客，d1 在其中四个应用上追平或超过 GPT-6.1 Sol。它的成本比这两个模型低 19 倍到 200 倍，而且每个任务上回答都更快。这些是厂商自己做的比较，博客没有给出逐任务的拆分。

有些演示更具体。在一项使用公开 VisA 数据集的视觉检查任务中，d1 对四条产线上的良品和缺陷件分类，准确率为 85-97%。Liquid 称该模型从未针对这项任务训练过。在 Wordle 测试中，它从截图读出棋盘，12 局全胜，平均 3.8 次猜中。在 Quick, Draw! 中，它在 62 个词里认出了 6 个涂鸦中的 5.2 个；随机猜测只有 0.6 个。

Interfaze 走了第三条路。它 10月5日 发布在 Hugging Face 上的 Interfaze 1.1 Lite 根本不是一个网络。它由一个推理核心加上若干专家组件构成，分别负责文档读取、行几何、版面、语音、说话人分离、分割、预测和安全，通过工具调用连接起来。公司称整套东西跑在一块 80 GB 的 GPU 上，不依赖任何外部服务。

这张模型卡的技术参数具体得少见。每次调用可处理最多 50 页的 PDF，并为每一行、每一个词给出框和置信度。一段 95 分钟的录音大约 90 秒转写完成。上下文长度为 131000 个 token。在模型卡自带的基准表上，Interfaze 1.1 Lite 在 GPQA Diamond 上得 85.9，在 MMMU-Pro 上得 73.2。相比之下，Interfaze 是 71.1，GPT-5.4-Mini 是 40.4，Claude-Sonnet-4.6 是 46.3，Gemini-3-Flash 是 67.6。不过在 GPQA Diamond 上，它落后于这几个模型，分别是 82.8、89.9、88.5 和 73.6。

开放权重前沿又添一员

Reflection 的 Beam 是这里最大的开放权重承诺：一个稀疏混合专家模型，总参数 5010亿，激活 230亿，面向编程、推理和智能体任务。公司 10月5日 的文章称，它用 238000亿 个 token 做了预训练。随后它跑了一轮强化学习，在 10500 块 NVIDIA GB300 GPU 上历时 4 周，生成超过 1亿 次 rollout。

权重还没放出来。Beam 正在“进行最后的红队测试与评估”，Reflection 表示会在本月晚些时候放出权重、技术报告、模型卡和开发者资料。早期访问需要申请。因此文章里的每一项基准成绩，都只是厂商对一个尚未发布模型的声明。

公布的表格有好有坏。Beam 在 SWEBench Verified 上得 80.9，在 Terminal Bench v2.1 上得 80.1。这低于 GLM 5.2 在 Terminal Bench 上的 81.0，也低于 Kimi K3 的 88.3 和 DeepSeek V4.1 Flash 的 90.6。在最难的编程一项，即 SWE Bench Pro v2-Hard 上，Beam 报告 77.2，Kimi K3 是 88.2。Reflection 自己的定位是效率而非纯粹能力。它说 Beam 在高级推理上达到与 GLM-5.2 相当的成绩，而推理算力少用 3 到 4 倍，并称 Kimi K3 在纯粹能力上更领先。

效率这个论点最有意思。如果一个激活 230亿 的模型在智能体任务上真的能落在比它大得多的系统几个点之内，那么对任何批量跑这类工作负载的人来说，每个任务的成本都会下降。Reflection 没有公布这一说法背后的成本数字。权重也无法用于独立测试。

模型外围的脚手架与决策层

两个更小的项目说明了工程投入正流向哪里：不是更大的模型，而是模型外围的胶水。

Jeff-Code 是编程智能体 Pi 的一个分支，10月5日 发布在 GitHub 上，它把一个 8亿 参数的决策模型 Jeff 插进 Qwen 3.8-27B 周围的智能体循环里。Qwen 每转一轮，Jeff 调用两次，每次约 0.2 秒。它问的是：下一步自己能不能走，以及 Qwen 这一轮需不需要深度思考。除非 Jeff 给出的“这一轮需要完整思考”的概率达到 0.6，否则思考保持关闭。在评估中，Qwen 大约四分之三的轮次是在关闭思考的情况下跑的。

测出来的结果在质量上很小，在时间上很大。在 1242 个配对任务上，Jeff-Code 的通过率是 62.4%，单用 Qwen 是 62.8%。配对差值为负 0.2 个百分点，95% 区间为负 2.6 到正 2.1。每个任务的平均耗时是 0.68 倍，中位数 0.70 倍；所有任务的总时间是 0.86 倍。项目报告在 Terminal-Bench 2.0（0.96 倍）和 SkillsBench（0.91 倍）上没有明显加速。每一轮都关闭思考会更快，但代价是掉了 7.6 个百分点。

Reika 是同一天发布的另一个编程智能体 CLI，方向正好相反。它优先为本地小模型设计，范围在 80亿 到 350亿 之间，常见的是 16 到 32000 上下文窗口上的 Q2 到 Q4 量化。它的 README 对局限说得很直白。测试中，350亿 到 80亿 的模型处理多文件任务最可靠，80亿 到 90亿 的模型能应付简单、边界清楚的任务，70亿 以下很少走得远。项目还公布了脚手架修不了的东西。在 Q2 下一个含糊的任务上，模型收敛或打转大约各占一半，而提示词的措辞是最弱的杠杆。

那份 README 里的上下文数字，对任何要给智能体工作负载估算规模的人都是一次有用的现实检验。一次中等上下文的改写重新处理了 8453 个 token 的提示，预填充花了 7.9 分钟。同一会话里的一次追加只花 25 个 token 和 3.5 秒。

这一周说明了多模态竞赛的什么

同一天的三次发布指向不同方向。Reka 押注一个网络吞下所有模态。Interfaze 押注一个小核心路由到专家组件，并把整套东西留在一块 GPU 上。Liquid 押注大多数多模态工作其实是分类问题，根本不该生成 token。

共同点是成本。Reka 的蒸馏版本、Liquid 低 19 倍到 200 倍的价格说法、Interfaze 的单 GPU 部署，以及 Jeff-Code 每个任务 0.68 倍的耗时，卖的都是同一件事：同样的活儿，更少的算力。这些说法目前都还没有经过独立验证。

在模型实验室之外，同样的模式也出现在基础设施工作里。10月5日 发布的 mold 3.0.0 是这个高速链接器从 C++ 改写为 Rust 后的第一个版本，项目在 2.42.1 的说明里预告了这次改动。发布说明称链接性能与 2.42.1 持平。说明还称，项目通过构建全部 Gentoo 软件包验证了兼容性，没有出现回归。mold 3.x 的目标是补齐与 GNU ld 之间剩余的差距，尤其是链接脚本支持，为它成为 Linux 发行版默认链接器铺路。

同样在 10月5日 发布的 Expat 2.9.0 修了两个漏洞。CVE-2026-77214 是 XML_ParseBuffer 中因长度参数校验不足导致的潜在越界读取。CVE-2026-102633 是内存管理代码中的整数溢出，影响 32 位平台。这个版本新增了 Properties API，并弃用 XML_LARGE_SIZE 宏，改用五个 64 位定位函数。维护者感谢慕尼黑市的开源休假计划资助了这项工作。

另据 BleepingComputer 报道，OpenAI 表示本月晚些时候将在美国开始在一小批广告主中测试 ChatGPT 图像生成过程中的视觉广告。公司称广告会有清晰标注，并与正在生成的图像保持分离。它还说 ChatGPT 现在每周触达 12亿 人。

研究方面，加州大学河滨分校 9月23日 发表的一项研究发现，大语言模型的置信度和正确性来自不同的内部特征。团队用稀疏自编码器研究了 Meta 的 Llama-3.1-8B 和 Google 的 Gemma-2-9B，并抑制了选定的特征。“这个领域的主要假设是，模型自信的时候大概率是对的，模型不确定的时候更可能出错，”论文第一作者、该校计算机科学博士生 Het Patel 说，“但我们常看到有充分记录的反例。”

对买家来说，这一周的实际问题不是哪个模型最聪明，而是这些架构里哪些可以被测试。Reka 的权重还要等几周，Liquid 的对比是厂商自己跑的，Interfaze 的基准表也是自家的。值得盯的数字，是那些连同产物一起到来的数字。