Reka 推出 19B 全模态模型 Rho-1：单模型直连机器人动作，是大一统还是沙盒游戏

AI 研发团队 Reka AI 近期拿出了名为 Rho-1 的研究预览模型。这个从头训练的 19B 参数全模态模型做了一次激进尝试：把文本、图像、视频生成、机械臂轨迹与本体感觉，全部压进同一个 Transformer 架构和共享 KV 缓存中。

它彻底扔掉了传统机器人系统里层层递进的工具链。用同一套权重既算摄像头看到的下一帧像素，又直接输出驱动伺服电机的关节角度。然而，把具身智能的技术栈彻底折叠之后，换来的不是立即可用的工业大脑，而是一系列极为严苛的工程代价。

把技术栈折叠进单颗芯片

主流具身控制体系本质上是一条严密的流水线。语言模型负责高阶常识和任务拆解，世界模型或扩散模块负责预演物理动态，底层的动作策略网络再算电机角度。流水线各司其职，代价是模块间转换产生的信息损耗，以及难以下压的累加延迟。

Reka 在题为《Rho-1: Collapsing the Multimodal Stack》的技术报告里试图拆除这堵拼装墙。他们仅动用 320 张 NVIDIA H100，耗时约三个月完成了这版 19B 模型的预训练。

架构的核心是对称双流设计。每个计算块内嵌理解流与生成流，离散的指令依靠 Next-Token 预测，连续的图像、视频和电机轨迹则统一交由流匹配机制处理。为了解决真实机械臂示教数据极度匮乏的问题，Reka 自研了一套逆动力学模型，从公开互联网视频中反向抓取关节动作序列。

省下算力与管线的背后，牺牲的是精度。Rho-1 原生视频输出分辨率上限仅为 672×384。把异构模态硬塞进同一个注意力空间，模型容量很快就碰到了天花板。

0.79 倍实时背后的延迟落差

报告里最具传播度的数字，是基础模型 0.79 倍实时的视频生成速度，以及 8 步蒸馏后在 1 秒左右输出 5.3 秒视频剪辑的能力。这很容易让外界产生一种错觉，以为初创团队已经做出了毫秒级响应的廉价控制中枢。

但流式生成与物理伺服完全是两码事。

Rho-1 的流式生成启动延迟长达 6 秒，产出首个视觉片段耗时约 7 秒。即使蒸馏版砍掉了绝大多数去噪步数，它依然在按块输出动作。机械臂在工位抓取零件，遭遇外力干扰时需要在十几毫秒内重算扭矩，不可能悬停数秒等待一段新的视频序列。

更大的隐患在于时空稳定性。官方坦承，视频生成超过 30 秒就会出现长程结构漂移，空间参照物会变形失真。连虚拟世界里的物体几何都会逐步走样，下游的电机控制就随时面临硬碰撞风险。

单脑包揽与工业防御墙的分歧

放眼整个具身领域，Rho-1 走的是极端的理想主义路线，而主流工业界正建立明确的分层防线。

工业巨头选择拆分架构并非工程保守，而是为了守住安全红线。

Google 将具身智能拆成两层：Gemini Robotics-ER 2 专心做高阶长程空间推理，底层的 Gemini Robotics 2 专攻高频电机信号与触觉反馈。哪怕上层理解偶发幻觉，底层仍有物理保护逻辑托底。英伟达的 Isaac GR00T 也同样把精力收拢在动作块预测上，不强求单脑通吃。

反观 Rho-1，官方给出的演示全部集中在 LIBERO 仿真软件里，物理硬件落地测试记录为零。它未公开标准基准成功率表格，更没有开源权重。

古人讲工欲善其事，必先利其器。依靠逆动力学从平面视频反推轨迹，确实避开了高昂的人工遥操作成本，但视频像素并不包含接触力矩、材料摩擦系数和关节回差。在没有真实阻力的沙盒里推演得再顺畅，只要落到充满装配公差的实体机床前，误差就会迅速放大。

Rho-1 证明了多模态底层打通在理论上的简洁性。但在长程漂移尚未解决、控制延迟仍以秒计算的前提下，它距离进入真实车间，差的不仅是一次调优，而是一整套物理世界的防御工程。