Rho-1 是 Reka 在 2026 年 10 月 5 日放出的研究预览：一个 19B 参数、从零训练的全模态推理模型，文本、图像、视频和机器人动作不再分给几个专门模型接力，而是被放进同一个神经网络、同一段上下文里处理。
它想拆掉的是接力棒
现在常见的多模态系统更像流水线：中间模型负责规划，再把画图、生成视频、检测目标等活分给各自的专家。每交接一次就多一层延迟，专家也只看到截取出来的一小段需求。Rho-1 的做法是把这些信号都写成 token，在一个共享状态里读写。官方演示中，同一场对话里它先画出一幅灯塔海岸图，再在图上框出灯塔、把画面动成视频、把天气改成暴雪，最后用文字说明两个版本差在哪，全程没有调用第二个模型，也没有走工具调用。
速度和训练规模
按 Reka 公布的口径，基础模型生成视频的中位速度约为实时的 0.79 倍，可观看的流大约 6 秒后开始；蒸馏版本把去噪步数从 99 步压到 8 步，短视频片段的生成被推进到接近交互的量级。值得注意的是它的训练账单并不大：全部结果来自一块用 320 张 H100 训练约三个月的检查点。Reka 把机器人动作也纳入同一表示，并用一个逆动力学模型从普通网络视频里反推控制信号，补机器人动作数据稀缺的短板。
限制写得很直白
这仍是研究预览，不是可直接部署的产品，官方自己列了四条短板：长时滚动时画面还鲜亮、空间结构却会先漂移；静态图上的目标定位可用，跨到视频里还不可靠；定向编辑在多样提示下容易不稳；原生视频分辨率目前封顶在 672×384。对做具身智能和交互仿真的人，它更适合用来判断统一架构这条路是否值得跟，而不是现在就替换掉已有的多模型管线。Reka 目前只开放合作联系，研究预览何时扩大范围还没有时间表。
