先说几个判断：
第一，Rho-1 想做的不是“又强一点”，而是把今天常见的多模态管线“坍缩”掉：不再有“规划模型指挥、再去调用视觉 / 视频 / 动作专家”的交接，文本、图像、视频、机器人动作全部变成同一个上下文里的 token。
第二，它用 320 张 H100、约 3 个月从零训出来——Reka 自己说这只是现代前沿模型算力的“一小部分”。这个量级本身，比参数更像是这个故事的看点。
第三，演示很顺：一句话的对话里连续完成“画灯塔 → 框选 → 动起来 → 改成雪景 → 问答”。但官方明列的限制也很硬：原生视频只有 672×384、长视频会结构性漂移、跨帧定位不稳、编辑脆弱，机器人只在仿真里验证过。
第四，它不是产品，是研究预览：没有公开定价、没有下载，只向具身机器人和交互仿真团队开放联系合作。看它，该看方向，别看“能不能今天就用”。
下面把这些点展开说一说。
一、事件描述
2026 年 10 月 5 日，Reka Labs 放出 Rho-1 的研究预览（research preview）。官方原话：这是“我们的 19B 全模态推理模型，从零训练”。它要解决的问题，是当下多数 AI 系统的形态——一堆串起来的管线。
| 事项 | 官方已确认内容 | 口径说明 |
|---|---|---|
| 发布与状态 | 2026-10-05，研究预览 | 官方标注 |
| 规模与定位 | 19B，omni-reasoning，从零训练 | 官方 |
| 统一方式 | 文本 / 视觉 / 机器人动作统一为同一上下文里的 token | 官方 |
| 架构 | 每个 transformer block 分两条专家流，共享注意力与状态 | 官方 |
| 训练算力 | 320 张 H100，约 3 个月，从零 | 官方 |
| 视频速度 | 基础版中位 0.79× 实时，首帧约 6 秒 | 官方 |
| 蒸馏 | 去噪 99 步压到 8 步 | 官方 |
| 原生视频上限 | 672×384 | 官方 |
| 机器人 | 仅 LIBERO 仿真验证，无真实机器人 | 官方 |
| 获取 | 研究预览，无公开定价 / 下载，联系合作 | 官方 |
表：Reka Rho-1 发布要点（依据 Reka 官方研究页整理）
二、“坍缩”掉的是什么
官方概括得很直接：今天多数系统是“agentic pipelines”——一个规划模型决定要做什么，再去调用视觉、视频、动作等专家。Rho-1 的做法是“collapses that stack”：把文本、视觉和机器人动作，都变成同一个上下文窗口里的 token。
具体怎么编码，官方分了两类：
| token 类型 | 编码内容 |
|---|---|
| 离散 token | 文本、符号推理、高层指令 |
| 连续 token | 图像潜变量、视频帧、机器人动作、本体感知 |
表：Rho-1 的两种 token 口径（官方）
关键在于，机器人动作和未来视频帧，都是从“同一个潜状态”解码出来的。于是策略可以“在脑子里先模拟接下来几秒”，动作也像文本和像素一样，被当作原生连续 token 处理。这跟“模型吐一段指令、外部去执行”的管线，是两种哲学。
三、两条专家流，但共享一个 KV cache
架构上，Rho-1 在每个 transformer block 里把计算拆成两条专家权重流：
- 理解流（understanding stream）：负责语言和视觉解析。
- 生成流（generation stream）：把潜变量去噪成图像和视频。
两者不是各干各的。官方说，两条流的 token 互相注意，跑在同一个 KV cache 上；用户指令、思维链痕迹、之前的视频帧、发出的运动策略，全都累积在同一个上下文里。需要时，理解流发出一个离散的“切换 token”，生成流立刻从累积状态渲染——官方称之为“零延迟交接”（zero-latency handoffs）。
这个设计的卖点，正是消除管线里“等上一个专家返回、再交给下一个”的停顿。
四、320 张 H100、3 个月：这个量级本身值得看
Reka 在博文里专门强调：帖子里所有结果，都来自一个“仅用 320 张 H100、训练 3 个月、从零训出来”的 checkpoint，并直言这只是现代前沿语言与视频模型背后算力“的一小部分”。
这是个有意为之的对照。当行业习惯用万卡、数月甚至更久去堆前沿模型时，Rho-1 想证明的是：用相对克制的算力，也能把“统一多模态”这件事跑通一个可演示的版本。代价也很清楚——后面那些限制，官方自己归因到“训练算力与数据规模偏小”。
五、演示与速度：一次对话里的闭环
官方记录了一段连续 5 轮、单一网络、状态只增不减的对话：
- 画：用户让画一座红白条纹灯塔的低空俯视图，模型生成 image:0。
- 框：用户说“给灯塔画个框”，模型直接发坐标 token 框选。
- 动：用户让“无人机缓缓飞向灯塔”，模型基于原图潜表示生成 video:0。
- 改：用户让“改成暴风雪”，生成 video:1，保持相机运动和物体一致。
- 问：用户问“两段视频哪里变了”，模型读潜状态差异作答。
速度数据上，基础版视频生成中位 0.79× 实时、首帧约 6 秒；蒸馏版把去噪从 99 步压到 8 步，几乎不损质量，把一个 5.3 秒的片段在约 1 秒内返回，官方称比它测过的任何视频模型都快。
和“多智能体管线”比首片段延迟，官方给的对照是：
图：首片段延迟对照（数据来源：Reka 官方研究页；条形按真实数值线性映射，单位秒，越短越好）
多智能体管线 ████████████████ 13.8
Rho-1 ████████ 7.0说明：条形长度按各方案首片段（first chunk）延迟真实数值线性缩放。Rho-1 的 7.0 秒约为多智能体管线 13.8 秒的一半，差距主要来自省去了管线里的模型间交接。该对照来自官方图示，实际数值会随任务与部署变动。
六、能力边界：哪些还不行
官方把限制摊开讲，这反而是最该被认真读的部分：
| 限制项 | 官方描述 |
|---|---|
| 原生视频分辨率 | 目前封顶 672×384 |
| 长程漂移 | 长 rollout 先发生结构性退化（如房间布局错乱），再发生视觉退化 |
| 跨时间定位 | 静态图上的检测与坐标定位可靠，跨视频帧尚不稳 |
| 编辑稳定性 | 定向视觉编辑仍早期，跨多样 prompt 的一致性脆弱 |
| 机器人 | 仅在 LIBERO 仿真任务验证，未上真实机器人 |
表：Rho-1 官方列出的能力边界（依据研究页 Limitations 章节）
尤其最后一条，机器人部分展示的是一个 LIBERO 仿真任务（7 个动作通道、腕部视角等），没有任何真实机器人部署。Reka 还提到用配对的逆动力学模型、拿网络视频做预训练来超越遥操作日志，但本次验证仍停留在仿真。
七、它不是产品，是研究预览
Rho-1 目前是 research preview，官方页面没有公开定价、没有下载链接、没有普遍开放接口。合作通道写得很明确：如果你在做具身机器人、交互仿真环境或闭环视觉—动作系统，想大规模部署优化的全模态架构，可以发邮件到 contact@reka.ai 谈合作。
换句话说，它面向的是“能接住这种架构的团队”，而不是普通开发者自助调用。看它的正确姿势，是把它当作“统一多模态”这条路线的早期路标，而不是一个今天就能替换管线的工具。
八、结语
Rho-1 是 Reka 在 2026 年 10 月 5 日放出的研究预览：一个从零训练的 19B 全模态推理模型，把文本、图像、视频生成和机器人动作统一成同一上下文里的 token，用两条共享注意力的专家流（理解 + 生成）替代“规划调用专家”的管线，训练仅用 320 张 H100、约 3 个月。演示里它能在一句对话里连续完成画灯塔、框选、动画、改雪景与问答；官方也坦白它的边界：原生视频仅 672×384、长视频会结构性漂移、跨帧定位与编辑仍脆弱、机器人只在 LIBERO 仿真验证。
值得冷静看待的有三处：一是“坍缩多模态栈”是架构方向而非成熟产品，所有亮眼演示都建立在相对克制的算力上，限制同样源于此；二是机器人能力距离真实部署还有仿真到现实的鸿沟；三是它不公开、不售卖，只找特定团队合作。对行业来说，Rho-1 真正有价值的，不是“又一个能画能动的模型”，而是它用很小的代价，把“一个模型管完看、想、做”这件事从概念往前推了一步——这一步能走多远，要看后续算力和数据能不能跟上。