法国Kyutai开源REKI模型，2.4B参数让机器人操作逼近大模型

法国 AI 实验室 Kyutai 联合 Inria 与巴黎高科（École des Ponts）发布了视觉语言动作模型 REKI，专攻机器人操作任务，模型权重已全面在 Hugging Face 开源。这是一款仅 24 亿参数的紧凑型模型，却在与体量约两倍于它的同类模型同台时仍占据上风。

REKI 的架构由两部分组成：一个 22 亿参数的 Qwen3.5-2B 视觉语言主干，加上一个 2 亿参数的流匹配动作专家。动作专家通过自适应归一化引入机器人状态与流时间，生成动作片段。它在单张 NVIDIA H100 上编译后，处理一个动作片段仅需 21.8 毫秒，输入来自两台 256×256 分辨率的摄像头。

真正让 REKI 与众不同的是它的"记忆"。多数视觉语言动作模型只看当前帧，而 REKI 在动作专家内部放入 32 个可学习的寄存器令牌，用来缓存并跨帧自注意力地保留近期观察；这些寄存器只依赖观测、不读取动作令牌，因此每个帧只需编码一次并存入滚动窗口，额外开销极小。这一设计显著降低了机械臂在两种姿态间反复摇摆的失败模式。

在评测上，REKI 在 LIBERO-Plus 上取得 90.4% 的成功率，位居对比榜首；在 RoboTwin Clean2Rand 上也仅落后于 Qwen-RobotManip。由于只用公开数据预训练，它成为公开预训练视觉语言动作模型中的最强者之一。对具身智能行业来说，这种小到能高效部署、又足够稳健的开源多模态模型，正成为 2026 年物理 AI 系统里越来越被看重的透明基线。