Reka

Reka 2026 评测：结论、定价、优缺点与评分

§0. 结论框（Verdict Box）

┌───────────────────────────────────────────────────┐

§1. 信任声明

本评测的材料来源分五类。第一类是 Reka 官网（reka.ai），说明其为物理 AI 时代构建模型与基础设施，团队由五十余位来自 Google DeepMind 与 Meta 的研究员与工程师组成，其中包括 Gemini 与 Veo 的核心成员，路线是扩大全模态模型的规模并让它们在实时预算内运行。第二类是定价信息，第三方价格追踪站记录其公开 API 卡片的单价，Edge 为每百万 token 输入输出各 $0.10，Flash 为 $0.80 与 $2，Core 为 $2 与 $6，Vision 线走企业报价。第三类是产品结构，官网把业务分为 Labs、Infer、Vision、Claru 四条线，分别对应研究、推理平台、视觉理解与数据构建。第四类是公司与融资信息，Reka 于 2022 年由 Dani Yogatama 与 Cyprien de Masson d'Autume 创立，成员多来自 DeepMind 与 Meta，2024 年前后完成 1.1 亿美元融资、估值约 10 亿美元，投资方包括 NVIDIA 与 Snowflake，第三方数据库记录团队约 85 人。第五类是 choice 表既有记录（id 1698）的 pros、cons、best_for、not_for 与分类（10/60）。

需要更正与说明三点。其一，旧记录写「缺乏公开透明的自助定价」，这与实际情况有偏差，Serverless 的三档模型单价是公开的，不透明的是 Vision 线与专属集群的报价。其二，成立年份 2022 与创始人信息可交叉验证，本文保留并补齐创始人姓名。其三，本次未申请 API Key、未跑过任何推理请求，对实时视频理解的延迟、蒸馏带来的速度提升是否真达 11.8 倍、量化后精度损失程度都没有实测，所有性能主张均来自官方口径。

§2. 极简结论（TLDR）

一句话：Reka 用一套原生全模态架构，把文本、图像、视频、音频放进同一个模型与同一个端点，主打实时推理，尤其擅长理解连续视频流。

三条加分：原生统一而非拼装，单一架构处理四种模态，跨模态关联不需要在管线里做格式转换。实时性是明确的设计目标，通过蒸馏与近无损量化把大模型压进现有硬件的实时预算，这对视频流场景是硬指标。工程落地配套齐全，OpenAI 兼容的单一端点、MCP 接入、LoRA 微调、强化学习定制与企业专属集群都能选。

三条减分：没有公开免费层，个人开发者想验证得先谈额度或付费。Vision 线与专属集群走企业报价，价格不透明，采购周期长。通用消费级场景的文档与示例偏少，它的重心明显在物理 AI、机器人与世界模型这类企业需求上。

§3. Reka 是什么

Reka 是一家 AI 研究实验室，官方对自己的定位是「为物理世界构建基础智能」。这句话不是修辞，它决定了产品重心，Reka 关心的不是把聊天做得更顺，而是让模型理解连续的现实世界信号，视频流、机器人视角、传感器数据，并在实时预算内给出判断。

技术路线上，Reka 坚持原生全模态。多数团队的做法是把视觉编码器、语音识别、语言模型拼成一条管线，模态之间靠文本中转，信息在转换中损耗。Reka 的选择是在同一套架构里原生处理并生成多种数据类型，跨模态的关联发生在模型内部。这个选择在视频理解上优势明显，因为视频本身就同时包含画面、声音与时间结构。

工程上它做了两件让实时成为可能的事。一是蒸馏，官方称端到端推理提速最高约 11.8 倍。二是量化，用 3.5 比特的近无损量化压缩权重，让大模型能塞进已有硬件的实时预算。这两项组合起来，才让「实时看懂视频流」从演示走向可部署。

围绕模型，Reka 搭了 Reka Cloud。它提供兼容 OpenAI 的单一端点，文本、图像、视频、音频共用一种请求格式，切换底层模型无需改代码。往上还有 LoRA 微调、大规模强化学习定制与 Claru 数据构建，往下有基于 H100、H200 与 Blackwell 的专属算力集群，支持完整 root 控制与跨云部署。

§4. 适合谁 / 不适合谁

适合的人：第一类是做实时视频理解的产品团队，例如监控分析、体育赛事理解、直播内容审核、工业质检，这些场景对延迟敏感且需要连续帧推理。第二类是具身智能与机器人团队，需要把视觉、语言与动作规划放在同一个模型里训练与推理。第三类是世界模型与仿真数据团队，用 Claru 构建训练数据，用微调与强化学习定制行为。第四类是有数据主权要求的企业，需要私有集群与完整 root 控制，不接受把视频流送到公共 API。

不适合的人：第一类是个人开发者与独立创作者，没有免费层，起步就要谈额度，试错成本高。第二类是只需要文本生成或简单问答的用户，用全模态模型是过度配置。第三类是要求公开价目表与自助开通的团队，Vision 线与集群报价必须走销售。第四类是需要成熟消费级 SDK 与海量教程的前端开发者，Reka 的文档重心在基础设施而不是应用层。

§5. 核心功能与边界

边界要讲清楚。第一，它不是通用消费级助手，官网以企业演示为主，缺少面向个人的自助入口。第二，实时能力的兑现依赖部署形态，Serverless 的延迟与你所在区域、视频帧率、并发量都相关，专属集群才能拿到稳定的低延迟。第三，全模态不等于每个模态都最强，若你的需求集中在纯文本推理，同价位有更专注的选择。

§6. 定价与隐形成本

价格结构分两层，模型推理按 token 明码标价，企业能力按项目报价。这个分层本身合理，轻量用户可以自助跑起来，重资产需求走商务。

隐形成本有三块。第一是视频场景的实际开销远高于文本，一小时的视频抽帧后可能产生数十万 token，按 Core 档算单条视频就是几美元级别，规模化处理的账单要考虑清楚。第二是专属集群的承诺式支出，H100 与 H200 按集群租用，最短周期通常以月计，试错成本高。第三是集成成本，实时视频管线涉及采集、编码、抽帧、并发调度与结果回写，Reka 提供模型与算力，不提供端到端的行业方案。

§7. 评分卡（加权评分）

加权结果约 8.2。评分置信度中等，性能项的高度依赖官方数字，若第三方复现出现明显差距，这一项会下调。

§8. 真实口碑综述

资本侧的证据比较硬。Reka 于 2022 年由 Dani Yogatama 与 Cyprien de Masson d'Autume 创立，团队来自 Google DeepMind 与 Meta，官方称其中包含 Gemini 与 Veo 的核心成员。公司完成 1.1 亿美元融资，估值约 10 亿美元，投资方包括 NVIDIA 与 Snowflake。这两个投资方的意义不只是钱，NVIDIA 关系到算力优先级，Snowflake 关系到企业数据侧的渠道。

产品侧的口径集中在效率。官网反复强调两条，一是原生全模态，二是在实时预算内运行。第三方价格追踪站记录了它对 Serverless 三档的公开定价，并指出 2026 年 1 月更新了端侧产品线 Edge 2，同时保留 Edge 每百万 token 输入输出各 $0.10 的公开价。

缺口在于独立验证。没有公开的第三方基准对比 Reka 与同代多模态模型在视频理解任务上的准确率与延迟，也没有企业公开写「用 Reka 做了什么、规模多大、效果如何」。对一家估值十亿美元的公司，这类证据的缺失会让技术判断只能停留在官方叙事层面。

§9. 竞品对比

分野在「是否为实时与物理世界专门优化」。通用模型的视频能力多是抽帧理解，本质仍是图像序列，Reka 把连续视频流当作一等公民，配合蒸馏与量化去压延迟。代价是它在纯文本任务上不一定占优，选型要看你的瓶颈在哪。上表仅用于定位，各方案价格与实测表现本次未核实。

§10. 优缺点（Pros & Cons）

优点：

1. 原生统一的多模态架构，单一模型处理文本、图像、视频与音频，跨模态关联在模型内部完成。
2. 以实时推理为设计目标，蒸馏带来最高约 11.8 倍端到端提速，3.5 比特近无损量化让大模型进得了实时预算。
3. 提供兼容 OpenAI 的单一端点与 MCP 接入，切换底层模型无需改代码，集成成本低。
4. 自研 Reka Cloud 覆盖训练、LoRA 微调、强化学习定制与 Claru 数据构建，链路完整。
5. 企业可选 H100、H200 与 Blackwell 专属集群，支持完整 root 控制与跨云部署，满足数据主权要求。
6. 团队与资本背景扎实，DeepMind 与 Meta 班底，NVIDIA 与 Snowflake 投资，估值约 10 亿美元。

缺点：

1. 没有公开免费层，个人开发者无法零成本验证，起步就要谈额度或付费。
2. Vision 线与专属集群走企业报价，价格不透明，采购周期长且依赖销售节奏。
3. 视频场景的 token 消耗远高于文本，规模化处理的账单可能超出预期。
4. 性能主张以官方口径为主，缺少第三方基准与独立复现。
5. 文档与示例重心在基础设施，通用消费级场景的教程与 SDK 偏少。
6. 全模态不等于每个模态都最强，纯文本任务上的性价比不如专注型模型。

§11. 风险与不适用

第一类是成本失控。视频推理按 token 计费，一小时的连续视频抽帧后 token 量级很大，若没有前置的采样策略与缓存设计，账单会在上线后迅速放大。建议先用小样本测算单条视频的真实成本，再决定并发规模。

第二类是能力预期偏差。实时是设计目标，但实际延迟取决于部署形态、区域与并发，Serverless 上未必能拿到演示里的效果，专属集群才是稳定低延迟的路径，而这意味着承诺式支出。

第三类是供应商依赖。使用 Reka 的专属集群与定制模型，迁移成本高于纯 API 调用，一旦合作条款变化或产品线调整，替换周期以月计。多模态管线的适配成本比文本模型高一个量级，选型时应把退出路径也想清楚。

不适用场景包括，预算有限的个人开发者与独立创作者，只需要纯文本生成的团队，要求公开价目表与自助开通的小型项目，以及缺少视频管线工程能力的应用型团队。

§12. 总评与购买建议

给 8.2 分。Reka 的技术路线有清晰的主张，原生全模态加实时优化，不是把功能清单堆长，而是围绕「模型要在现实世界里及时反应」这一个目标做取舍。团队背景与投资方给了它可信度，OpenAI 兼容端点与企业集群让它具备落地条件，Serverless 三档的公开定价也比多数同代实验室更透明。

试不试：如果你在做实时视频理解、具身智能或世界模型相关产品，先申请一个最小额度的 API，用自己的一段真实视频跑端到端延迟与准确率，这是唯一有效的判断方式。如果你只想做文本应用，别选它。如果你要求私有部署与 root 控制，直接找销售谈集群与数据方案，同时把退出成本写进评估。

一句话定论：Reka 把多模态从「能看懂图片」推进到「能跟上视频」，路线与班底都站得住，但免费层缺失、企业报价不透明与独立验证不足，决定了它现在适合有明确视频场景的企业，而不是想试水的个人。

来源清单： [1] Reka 官网，物理 AI 定位、原生全模态、实时推理、Reka Cloud 与四条业务线（Labs、Infer、Vision、Claru）， ，访问于 2026-10。 [2] 定价信息，Serverless 三档公开单价（Edge $0.10/$0.10、Flash $0.80/$2、Core $2/$6 每百万 token），Vision 线与企业集群走报价。 [3] 公司与融资信息，2022 年由 Dani Yogatama 与 Cyprien de Masson d'Autume 创立，1.1 亿美元融资、估值约 10 亿美元，投资方含 NVIDIA 与 Snowflake。 [4] 第三方数据库，总部与团队规模记录（约 85 人），官网自述团队为五十余位来自 DeepMind 与 Meta 的研究员与工程师。 [5] choice 表既有记录（id 1698）的 pros、cons、best_for、not_for 与分类，本次更正「无公开定价」的旧表述并补齐创始人、融资与团队信息。