REKI ロボットモデルは2026年10月17日、フランスのオープンサイエンス研究機関 Kyutai が Inria とエコール・デ・ポンと共同で公開した。公式プロジェクトページ、完全なコード、Hugging Face 上の全ウェイトが同時に公開されている。REKI は24億パラメータの視覚・言語・行動モデル（VLA）で、仕事は具体的だ。カメラ映像を見て、指示文を読み、ロボットアームの動作を直接出力する。注目すべきは新たなベンチマーク記録ではなく、ロボットに記憶を持たせる方法である。ほぼ無料と言えるコストで、よくある失敗パターンを解消している。
ロボットアームが2つの姿勢の間を行き来する理由
多くの VLA は現在の1フレームだけを見て判断する。問題は、ある姿勢同士が1フレームでは見分けがつかないことだ。デモデータでは姿勢Aの次はBへ、Bの次はAへ戻る。記憶のないモデルは自分がどこから来たか分からず、2つの姿勢の間を往復してタスクを使い果たしてしまう。Kyutai はこれをperceptual aliasing（知覚的混同）と呼び、RoboTwin で測定した。記憶なしでは18.6%のエピソードで往復が発生し、記憶ありでは4.1%まで下がった。両腕タスクでの改善が最も大きい。
記憶は大モデルではなく行動エキスパートの中に置く
REKI は Qwen3.5-2B の視覚言語バックボーンに、2億パラメータのフローマッチング行動エキスパートを組み合わせる。記憶の仕組みはこうだ。各フレームについて、行動エキスパート内の32個のレジスタトークンがそのフレームの映像と指示を要約し、キャッシュに保存されて後続の2フレームが読み取る。レジスタは行動そのものを見ないため、フレームごとに1回だけ計算され、デノイジングの各ステップや後続フレームで再利用される。コストは小数点以下の水準で、キャッシュ読み取りによる追加は1アクションチャンクあたり0.1ミリ秒、記憶するフレーム1枚あたり約2MiBのGPUメモリだ。REKI は H100 1枚でアクションチャンクを21.8ミリ秒で予測し、比較モデル中で最速だった。
公開データだけで学習し、負ける相手と負けない相手
REKI の事前学習は公開データのみで、実ロボットの遠隔操作、シミュレーション、一人称の人間動画を合わせて約10億フレームに視覚言語サンプルを加え、H100 32枚で20万ステップ学習した。LIBERO-Plus では90.4%で Kyutai の比較表のトップ、RoboTwin Clean2Rand では65.8%で約2倍のサイズの Qwen-RobotManip にのみ敗れ、RoboCasa365 では38.4%と Xiaomi のロボットモデルに大きく後れを取った。強みは全ベンチマーク制覇ではなく、環境が変わった場面での汎化だ。実機の UR5 アームでは、タスクごとに50回のデモで1時間微調整するだけで新しいタスクをこなせた。
ウェイトのライセンスは CC BY-NC-SA 4.0 で、研究や再現は問題ないが商用利用はできない。またスコアの大半はシミュレーションのベンチマークであり、実際の厨房や工場でどこまで通用するかは他のチームの検証待ちだ。身体性AIに取り組む人にとって今回の公開が示すのは明確である。ロボットに記憶を持たせるのに必ずしも大きなモデルは要らず、直近の数フレームを正しい場所に置くことが、パラメータを増やすより割に合う場合がある。
