Reka 近日发布 Rho-1，一个从零训练的 19B 全能推理模型，试图用单一网络统一多模态理解与生成，并首次将机器人动作纳入输出空间。

发生了什么

Rho-1 的核心设计是“一个网络、共享 KV 缓存”。它同时处理文本、图像、视频的输入与输出，并直接生成机器人动作。这意味着模型不再需要为不同模态拼接独立模块，而是在同一套注意力机制下完成跨模态推理。Reka 还提供了一个蒸馏版本，生成一段 5.3 秒的视频片段大约只需一秒，推理效率显著提升。目前该模型以研究预览形式发布，未公开权重，外界无法直接复现或商用。

为什么重要

多模态模型长期面临“理解”与“生成”割裂的问题：视觉语言模型擅长读图，视频生成模型擅长造片，机器人策略模型则自成体系。Rho-1 尝试用共享 KV 缓存把这三者串起来，让模型在同一个推理过程中既看懂画面，又生成后续视频，还能输出动作指令。这种“全能推理”路线如果成立，将大幅降低多模态系统的工程复杂度。

从行业背景看，Reka 此前已推出多款多模态模型，但 Rho-1 的 19B 参数规模和“从零训练”的表述值得注意——它没有走主流的大模型微调路线，而是重新设计训练目标。机器人动作作为输出模态，也暗示 Reka 可能瞄准具身智能场景，而非单纯的内容生成。

影响与看点

对开发者而言，Rho-1 目前无法直接使用，但它的架构思路——共享 KV 缓存下的多模态统一——可能影响后续开源模型的设计。蒸馏版一秒生成 5.3 秒视频的效率，如果属实，对实时视频生成和机器人仿真有参考价值。

对行业来说，Reka 选择“研究预览、不公开权重”的策略，既展示了技术能力，又保留了商业化空间。这与当前开源与闭源并行的多模态竞争格局一致。

值得关注的三个点：一是共享 KV 缓存能否在更大规模上保持稳定；二是机器人动作输出的精度和泛化能力，目前没有公开评测数据；三是 Reka 后续是否会开放权重或 API。

一个独立判断：Rho-1 的“全能”叙事在概念上吸引人，但多模态统一模型的实际表现往往受限于数据质量和模态间的冲突。在缺乏公开评测和权重的情况下，它更像是一次技术宣言，而非可验证的里程碑。真正的考验在于，当开发者拿到它时，它能否在真实任务中同时做好理解、生成和动作控制。