REKI 机器人模型于 2026 年 10 月 17 日发布，发布方是法国开放科学实验室 Kyutai，合作机构为 Inria 与巴黎桥路学校，官方项目页、完整代码与 Hugging Face 上的全部权重在同一轮公开。这是一个 2.4B 参数的视觉-语言-动作模型（VLA），做的事情很具体：看摄像头画面、读一句指令，然后直接输出机械臂的动作。它最值得看的地方不是又刷了哪个榜，而是它给机器人装记忆的方式——便宜得几乎不花钱，却解决了一个很常见的翻车姿势。
机械臂为什么会在两个姿势之间来回摆
很多 VLA 只看当前这一帧画面做决定。麻烦在于，有些姿势单看一帧长得太像：演示数据里，从姿势 A 出发下一步是去 B，从 B 出发下一步又是回 A。没有记忆的模型分不清自己刚从哪来，就会在两个姿势之间反复横跳，一次任务就这么耗掉。Kyutai 把这种现象叫感知混叠，并在 RoboTwin 测试里量了出来：没有记忆时，18.6% 的回合会出现这种摆动；加上记忆后降到 4.1%，双臂任务上改善最明显。
记忆不塞进大模型，而是放在动作专家里
REKI 的骨干是一个 Qwen3.5-2B 视觉语言模型，后面接一个 2 亿参数、用流匹配生成动作块的专家。记忆的做法是：每一帧画面在动作专家里对应 32 个寄存器令牌，它们只负责把这一帧的画面和指令摘要下来，然后存进缓存，供后面两帧读取。关键在于这些令牌不看动作本身，所以每帧只需算一次，后续的去噪步和后续帧都能直接复用。代价小到可以写进小数点：读缓存只让单个动作块的耗时增加 0.1 毫秒，每多记一帧约多占 2MiB 显存。REKI 在一张 H100 上生成一个动作块要 21.8 毫秒，是对比模型里最快的。
只用公开数据，它输给谁、不输给谁
REKI 的预训练只用公开数据：真实机器人遥操作、仿真数据和第一人称人类视频合计约 10 亿帧，另有少量视觉语言样本，训练跑了 20 万步、用 32 张 H100。成绩上，它在 LIBERO-Plus 拿到 90.4%，是 Kyutai 对比表里的第一；在 RoboTwin Clean2Rand 拿 65.8%，只输给参数约两倍大的 Qwen-RobotManip；在 RoboCasa365 是 38.4%，排位靠后，明显落后于小米的机器人模型。也就是说，它的主场是环境变化后的泛化，而不是所有榜单通吃。真实机器人上，团队在 UR5 机械臂上用每项任务 50 次演示、微调 1 小时，就能让它完成新任务。
权重的许可是 CC BY-NC-SA 4.0，只能非商业使用，研究和复现没问题，想拿去做产品要先算清这一条。另外要提醒的是，上面这些分数大多来自仿真基准，REKI 在真实厨房和工厂里能走多远，还得等更多团队上手复现。对做具身智能的人来说，这次发布的信号很清楚：给机器人加记忆不一定需要更大的模型，把过去几帧放在对的位置，可能比堆参数更划算。
