Das REKI Robotermodell wurde am 17. Oktober 2026 von Kyutai, dem französischen Open-Science-Labor, gemeinsam mit Inria und der École des Ponts veröffentlicht. Die offizielle Projektseite, der vollständige Code und alle Gewichte auf Hugging Face gingen in derselben Runde online. REKI ist ein Vision-Language-Action-Modell (VLA) mit 2,4 Milliarden Parametern und einer konkreten Aufgabe: Kamerabilder ansehen, eine Anweisung lesen und die Aktionen eines Roboterarms direkt ausgeben. Das Bemerkenswerte ist nicht ein weiterer Bestwert, sondern die Art, wie das Modell dem Roboter ein Gedächtnis gibt — fast kostenlos — und damit ein häufiges Fehlverhalten behebt.
Warum Roboterarme zwischen zwei Posen hin- und herpendeln
Viele VLAs entscheiden nur anhand des aktuellen Einzelbilds. Das Problem: Manche Posen sehen in einem einzelnen Bild fast gleich aus. In den Demonstrationsdaten folgt auf Pose A der Schritt nach B und auf B wieder der Schritt zurück nach A. Ein Modell ohne Gedächtnis weiß nicht, woher es gerade kommt, pendelt zwischen beiden Posen und vergeudet die ganze Aufgabe. Kyutai nennt das perzeptuelles Aliasing und hat es auf RoboTwin gemessen: Ohne Gedächtnis pendeln 18,6 % der Episoden, mit Gedächtnis nur noch 4,1 %, mit den größten Verbesserungen bei Zwei-Arm-Aufgaben.
Das Gedächtnis sitzt im Aktions-Experten, nicht im großen Modell
REKI kombiniert ein Qwen3.5-2B Vision-Language-Backbone mit einem Flow-Matching-Aktions-Experten von 200 Millionen Parametern. Das Gedächtnis funktioniert so: Für jedes Bild fassen 32 Register-Tokens im Aktions-Experten Bild und Anweisung zusammen und werden im Cache für die nächsten zwei Bilder abgelegt. Da die Register die Aktionen selbst nie sehen, werden sie nur einmal pro Bild berechnet und in allen Denoising-Schritten und Folge Bildern wiederverwendet. Die Kosten stehen hinter dem Komma: Das Lesen des Caches verlängert einen Aktionsblock um 0,1 Millisekunden, jedes erinnerte Bild kostet etwa 2 MiB GPU-Speicher. REKI sagt einen Aktionsblock auf einer H100 in 21,8 Millisekunden vorher, am schnellsten unter den verglichenen Modellen.
Nur öffentliche Daten: Gegen wen es verliert und gegen wen nicht
REKI wurde ausschließlich mit öffentlichen Daten vortrainiert — Teleoperation echter Roboter, Simulation und Ego-Videos von Menschen, zusammen rund 1,0 Milliarden Frames plus ein kleinerer Vision-Language-Anteil — in 200.000 Schritten auf 32 H100-GPUs. Auf LIBERO-Plus erreicht es 90,4 % und damit den Spitzenwert in Kyutais Vergleich; auf RoboTwin Clean2Rand 65,8 % und liegt nur hinter dem etwa doppelt so großen Qwen-RobotManip; auf RoboCasa365 sind es 38,4 %, deutlich hinter Xiaomis Robotermodell. Seine Stärke ist die Generalisierung bei veränderter Umgebung, nicht der Sieg in jedem Benchmark. An einem echten UR5-Arm genügten 50 Demonstrationen pro Aufgabe und eine Stunde Feintuning für neue Aufgaben.
Die Gewichte stehen unter CC BY-NC-SA 4.0 — Forschung und Reproduktion sind erlaubt, kommerzielle Nutzung nicht. Die meisten Werte stammen zudem aus Simulations-Benchmarks; wie weit REKI in echten Küchen und Fabriken kommt, müssen andere Teams prüfen. Für alle, die an verkörperter KI arbeiten, ist das Signal dieser Veröffentlichung klar: Ein Gedächtnis für Roboter braucht nicht zwingend ein größeres Modell — die letzten Bilder an der richtigen Stelle zu halten, kann sich mehr lohnen als mehr Parameter.
