Reka发布 190 亿参数 Rho-1，可统一处理图文视频与机器人动作

由前 DeepMind、Google Brain 和 Meta FAIR 研究人员创办的美国 AI 公司 Reka 发布 190 亿参数模型 Rho-1。该模型可在一次对话中同时处理文字、图片和视频，并输出机器人动作。

按照官方展示，Rho-1 可以先生成一张灯塔图片，再让灯塔动起来、修改视频中的天气，随后继续回答两段视频之间的区别。前面生成的内容会保留在同一上下文中，不需要再交给另一个模型处理。

支持在生成过程中继续修改视频

Rho-1 还支持在视频生成过程中继续接收指令。视频向前生成时，用户可以临时要求改变天气、运动方向或其他内容，后续画面会继续按新指令调整。

基础版生成速度约为实时的 0.79 倍。蒸馏版则将生成步骤从 99 步压缩到 8 步，Reka 测得其约 1 秒可以生成 5.3 秒视频。

机器人动作也接入同一模型

在机器人任务上，Rho-1 一边预测摄像头接下来会看到什么，一边输出机器人的动作信号，不再需要单独的规划模型决定如何移动。当前官方展示仍限于 LIBERO 仿真任务，尚未公布实体机器人的测试结果。

定位偏向连续交互

类似的统一模型今年已经出现。英伟达 Cosmos 3 也可以统一处理文字、图片、视频、声音和动作。相比之下，Rho-1 更偏向连续交互，重点展示同一上下文内的反复生成、修改和继续推理。

仍处研究预览阶段

Reka 表示，Rho-1 从零训练，使用 320 张 H100，训练时间约 3 个月。当前视频分辨率为 672×384，长视频仍可能出现画面结构漂移，视频定位和局部编辑也不够稳定。

目前，Rho-1 仍处于研究预览阶段，权重和 API 都未开放。