Kyutai 联合 Inria 发布 REKI：2.4B 参数 VLA 模型为机器人操作引入轻量记忆
Kyutai 与 Inria、École des Ponts 发布 2.4B 参数视觉-语言-动作模型 REKI，仅用公开数据预训练，通过 32 个寄存器 token 为动作专家加入对最近 3 帧的记忆，权重已在 Hugging Face 开放。
核心事实
据 MarkTechPost 报道，Kyutai 与 Inria、École des Ponts 联合发布了 REKI，一个面向机器人操作的 2.4B 参数视觉-语言-动作模型（VLA）。该模型由 2.2B 的 Qwen3.5-2B 视觉语言主干与 0.2B 的流匹配动作专家组成，仅使用公开数据预训练，权重已在 Hugging Face 发布，采用 CC BY-NC-SA 4.0 许可，代码为 MIT 许可。
REKI 的记忆机制放在动作专家内部：每帧动作 token 之前放置 32 个可学习的寄存器 token，它们与当帧的提示和视角做交叉注意力，并与更早帧的寄存器做自注意力，覆盖最近 3 帧、间隔 1 秒。寄存器每帧只计算一次并缓存，据项目页说明，读取缓存使 21.8 毫秒的动作块增加约 0.1 毫秒，每个历史帧约占 2 MiB 显存。
背景与影响
多数 VLA 只依据当前帧行动，已有记忆方案或把历史帧送入 VLM，或展开训练、增加模块，均带来额外开销。REKI 的做法是把记忆成本压到较低水平。据报在 RoboTwin 上，加入记忆后机械臂在两姿态间振荡的回合占比从 18.6% 降至 4.1%，Kyutai 将其归因于感知混叠。基准方面，据模型卡与项目页，REKI 在 LIBERO-Plus 上得 90.4%，在 RoboTwin Clean2Rand 上得 65.8%，在 RoboCasa365 上得 38.4%，后者落后于 Xiaomi-Robotics-1 的 57.4%。上述数字均为 Kyutai 自行评测，尚未获第三方独立确认。
限制与来源
REKI 为每个基准单独微调，跨基准分数不宜直接横向比较；权重为非商业许可，官方未公布量化版本，部署需自行搭建。实际可用性、硬件要求与许可条款请以官网及模型卡当前信息为准。本文信息来自 MarkTechPost 报道，模型性能与对比数据尚未获官方独立确认。