The Pulse
Reka riunisce testo, video e controllo robotico nel modello Rho-1 da 19 miliardi di parametri
Reka ha presentato Rho-1, un modello in anteprima di ricerca da 19 miliardi di parametri che elabora e genera testo, immagini, video e azioni robotiche in un’unica rete. L’azienda riferisce di una generazione video in tempo reale e di dimos
AI.info Team · Scritto con l’IA ·
«Rho-1 è una dimostrazione funzionale di fattibilità e indica una direzione architetturale, non è un prodotto finito.»
Reka AI
Il 5 ottobre Reka ha presentato Rho-1, un modello da 19 miliardi di parametri che gestisce testo, immagini, video e azioni robotiche all’interno di un’unica rete neurale. Secondo l’azienda, è stato addestrato da zero e riunisce compiti spesso suddivisi tra un modello linguistico, un generatore di immagini o video e una componente separata per il controllo robotico. Reka lo rende disponibile come anteprima di ricerca, non come prodotto finito.
Un unico modello condivide uno stato persistente
Rho-1 tratta testo, informazioni visive e azioni robotiche come token in un contesto condiviso. Secondo Reka, lo stesso modello può disegnare un’immagine, individuare un oggetto al suo interno, animarlo, modificare il video risultante e rispondere a domande sulla modifica senza affidare ogni passaggio a un modello separato. Nel suo articolo, l’azienda descrive il modello come capace di mantenere un unico stato tra queste interazioni, anziché ripartire da zero per ogni compito.
L’architettura comprende due flussi all’interno di ciascun blocco transformer: un flusso di comprensione per il linguaggio e l’analisi visiva e un flusso di generazione per produrre immagini e video. Entrambi utilizzano un meccanismo di attenzione condiviso e una cache comune, secondo Reka. L’addestramento combina la previsione del token successivo per le sequenze discrete con il flow matching per gli output continui, come le rappresentazioni latenti di immagini e video e le azioni robotiche.
La velocità di generazione video ha un limite di risoluzione
Reka riferisce che il suo modello base genera video a una velocità mediana pari a 0,79 volte quella del tempo reale, con un flusso già guardabile dopo circa sei secondi. Una versione distillata riduce il processo di rimozione del rumore da 99 passaggi a otto; secondo l’azienda, nei test interni ha prodotto una clip di 5,3 secondi in circa un secondo. Sono misurazioni di Reka, non risultati di una valutazione indipendente.
La presentazione esplicita anche i compromessi. Secondo Reka, nelle sequenze video lunghe la struttura può perdere coerenza anche quando le immagini restano dettagliate, e l’ancoraggio degli oggetti lungo il video non è ancora affidabile. Le modifiche mirate possono essere instabili e l’output video nativo è limitato a 672 × 384 pixel. Questi vincoli rendono il lancio più simile a una dimostrazione architetturale che a un sistema video pronto per essere impiegato.
Il controllo robotico resta una dimostrazione in simulazione
Negli esempi di robotica di Rho-1, il modello prevede le future immagini riprese dalla telecamera mentre produce azioni per compiti simulati. Secondo Reka, la rappresentazione condivisa del modello gli consente di usare le scene future previste per orientare i movimenti che produce. L’articolo include un episodio di simulazione LIBERO ed esempi generati in cui vengono raccolti oggetti, ma non presenta prove di impiego su un robot fisico.
Per far fronte alla scarsità di registrazioni del controllo robotico, Reka afferma di affiancare a Rho-1 un modello di dinamica inversa che deduce i segnali di controllo da video ordinari. L’obiettivo è trasformare video privi di movimenti delle articolazioni o comandi di sterzata registrati in esempi di addestramento che includano azioni. L’articolo su Rho-1 non riporta né un tasso di successo nella robotica né un confronto standardizzato per questo approccio.
Reka invita gli sviluppatori a collaborare
Secondo l’azienda, il checkpoint è stato addestrato su 320 GPU H100 nell’arco di tre mesi. Reka descrive il risultato come una dimostrazione di fattibilità e invita i team che lavorano su robotica, simulazioni interattive e sistemi di visione-azione a contattarla per collaborare. La presentazione non annuncia né la pubblicazione dei pesi del modello né un accesso pubblico generalizzato.
Per ora, le affermazioni più concrete su Rho-1 riguardano ciò che un unico modello riesce a fare nelle dimostrazioni — e ciò che ancora non funziona: l’ancoraggio nel video, la stabilità delle modifiche, la coerenza sulle sequenze lunghe e risoluzioni superiori a 672 × 384 pixel.