Reka เปิด research preview ของ Rho-1 โมเดล omni 19B ที่ฝึกเองตั้งแต่ศูนย์ — เข้าใจและสร้างข้อความ ภาพ วิดีโอ และสั่งแขนกลได้ในเครือข่ายเดียวโดยไม่เรียก tool ใช้ H100 แค่ 320 ตัว แต่ยังไม่ปล่อยน้ำหนักหรือ API

5 ตุลาคม 2026 Reka AI ปล่อย research preview ของ Rho-1 โมเดล “omni-reasoning” ขนาด 19B พารามิเตอร์ ที่ฝึกตั้งแต่ศูนย์ ความต่างจากระบบมัลติโมดัลส่วนใหญ่คือ Rho-1 ไม่ใช่ pipeline ที่โมเดลกลางวางแผนแล้วส่งงานต่อให้โมเดลเฉพาะทาง แต่ ข้อความ ภาพ วิดีโอ และ action ของหุ่นยนต์อยู่ใน context เดียวกันในรูปของโทเค็น Reka ย้ำว่า “ไม่มี tool call และไม่มีโมเดลที่สอง”

ในเดโมห้าเทิร์นต่อเนื่อง โมเดลวาดภาพประภาคาร ตีกรอบ bounding box รอบประภาคาร ทำให้ภาพเคลื่อนไหวเป็นวิดีโอโดรนบินเข้าหา แก้วิดีโอให้กลายเป็นพายุหิมะ แล้วตอบได้ว่าสองคลิปต่างกันตรงไหน ทั้งหมดอ่านและเขียนลง KV cache ก้อนเดียวกัน Reka เรียก cache ก้อนนี้ว่า “world state” ที่โตขึ้นทุกเทิร์น

สถาปัตยกรรม: สอง stream ใช้ attention ร่วมกัน

ใน transformer แต่ละบล็อกมี expert weights แยกเป็นสอง stream คือ understanding stream สำหรับภาษาและการแปลความภาพ (ฝึกด้วย next-token prediction) กับ generation stream ที่ denoise latent ให้เป็นภาพและวิดีโอ (ฝึกด้วย flow matching) ทั้งสอง stream ใช้ attention และ KV cache ร่วมกัน เมื่อคำตอบต้องเป็นภาพ ฝั่ง understanding จะปล่อยโทเค็นส่งต่อ (<|content_media|>) แล้วฝั่ง generation ก็เริ่มเรนเดอร์จาก state ทั้งหมดที่สะสมไว้ได้ทันที

ข้อมูลแบบไม่ต่อเนื่อง เช่นข้อความและคำสั่ง ใช้ discrete token ส่วน latent ของภาพและวิดีโอ action ของหุ่นยนต์ และ proprioception ใช้ continuous token จึงไม่ต้อง quantize action ให้เป็นโทเค็นแบบไม่ต่อเนื่องอย่างที่ VLA หลายตัวทำ สำหรับหุ่นยนต์ เครือข่ายเดียวกันที่ทำนายภาพจากกล้องถัดไปก็เป็นตัวสั่งข้อต่อด้วย Reka โชว์ episode บน LIBERO ที่ปล่อย action ครบเจ็ดช่อง

ตัวเลขความเร็วและข้อจำกัดที่ Reka บอกเอง

• รุ่น base สร้างวิดีโอได้ 0.79 เท่าของ real-time (ค่ามัธยฐาน) เริ่มสตรีมที่ดูได้ในราว 6 วินาที
• รุ่น distilled Rho-1 Flash ลดขั้น denoise จาก 99 เหลือ 8 ขั้น สร้างคลิปยาว 5.3 วินาทีได้ในราว 1.1 วินาที Reka เคลมว่าเร็วที่สุดในบรรดาโมเดลวิดีโอที่ตัวเองจับเวลา แต่เป็นการทดสอบภายใน
• ฝึกบน H100 320 ตัวราว 3 เดือน ซึ่งเล็กมากเมื่อเทียบกับโมเดลภาษาและวิดีโอระดับแนวหน้า

Reka เขียนส่วนข้อจำกัดไว้ตรงไปตรงมา: rollout ยาว ๆ จะ เพี้ยนเชิงโครงสร้างก่อนเพี้ยนเชิงภาพ (สตรีม 30 วินาทีอาจยังคมชัดแต่ผังห้องผิดไปแล้ว), การ grounding วัตถุยังทำได้แค่ในภาพนิ่ง ทำข้ามเวลาในวิดีโอไม่ได้, การแก้ภาพเฉพาะจุดยังไม่เสถียร และความละเอียดวิดีโอถูกจำกัดไว้ที่ 672×384

ข้อมูลหุ่นยนต์ที่มีป้ายกำกับหายาก Reka จึงใช้ Inverse Dynamics Model (RIDM) อนุมานสัญญาณควบคุมจากวิดีโอทั่วไปบนอินเทอร์เน็ต ตัวนี้ ปล่อยบน Hugging Face แล้วตั้งแต่ 1 ต.ค. ด้วยสัญญาอนุญาต Apache-2.0 เป็นโมเดลที่ทำนายการเคลื่อนกล้อง (W/A/S/D, yaw, pitch) จากวิดีโอ ซึ่งเป็นงานเล็กกว่าที่ชื่อชวนให้คิดมาก ส่วน Rho-1 เองยังไม่มีน้ำหนัก ไม่มี API และไม่มีเดโมให้ลอง มีเพียงวิดีโอและแกลเลอรีตัวอย่างในโพสต์ ซึ่งสอดคล้องกับที่ Reka เรียกมันว่า “proof-of-concept และทิศทางสถาปัตยกรรม ไม่ใช่ผลิตภัณฑ์ที่เสร็จแล้ว”

มุมมอง AI Curator

สิ่งที่น่าสนใจที่สุดใน Rho-1 ไม่ใช่คุณภาพภาพ แต่คือ ข้อเสนอว่า “agentic pipeline” ที่ทุกคนกำลังสร้างอาจเป็นแค่ช่วงเปลี่ยนผ่าน ทุกครั้งที่ LLM ส่งงานให้โมเดลภาพหรือวิดีโอผ่าน tool call บริบทจะหายไประหว่างทาง และ latency ก็เพิ่มขึ้น ถ้าโมเดลเดียวถือ state ทั้งหมดได้จริง งานอย่าง “แก้วิดีโอแล้วตอบว่าแก้อะไรไป” จะไม่ต้องใช้ captioning ย้อนหลังอีกต่อไป แนวคิดนี้สอดคล้องกับกระแส world model ที่เห็นมาตลอดปี แต่ Reka ไปไกลกว่าตรงที่รวม action ของหุ่นยนต์เข้ามาในเครือข่ายเดียวกัน

แต่ต้องอ่านตามจริงว่านี่คือ บล็อกโพสต์ที่ไม่มีเบนช์มาร์กเทียบมาตรฐาน ไม่มีตัวเลข VBench, ไม่มีอัตราความสำเร็จบน LIBERO และไม่มี paper ตัวเลขความเร็วก็เป็นการวัดภายในที่ไม่ได้บอกฮาร์ดแวร์ inference ส่วนความละเอียด 672×384 ก็ยังห่างจากโมเดลวิดีโอเชิงพาณิชย์มาก ข้อสรุปที่ Reka อยากให้เห็นคือ “ใช้ compute แค่นี้ยังได้เท่านี้ ถ้าขยายจะไปได้อีกไกล” ซึ่งเป็นสมมติฐานที่ยังต้องพิสูจน์

สำหรับนักพัฒนาในไทยตอนนี้ยังไม่มีอะไรให้หยิบไปใช้ นอกจาก RIDM ที่เป็น Apache-2.0 ทีมที่ทำงานด้านหุ่นยนต์หรือรถอัตโนมัติอาจลองใช้ติดป้าย action ให้วิดีโอขับรถหรือวิดีโอเดินในเมืองที่เก็บเองได้ ส่วนเรื่องที่ควรจับตาคือ Reka จะเปิดน้ำหนัก Rho-1 หรือไม่ เพราะแล็บเคยปล่อย Reka Flash แบบเปิดมาแล้ว ถ้าโมเดล omni ขนาด 19B ที่รันบน GPU ระดับ workstation ได้ออกมาเป็นโมเดลเปิด มันจะเป็นสนามทดลองที่ดีมากสำหรับงานวิจัย embodied AI ในมหาวิทยาลัยที่มี compute จำกัด

แหล่งข่าว

• Reka AI — Rho-1: Collapsing the multimodal stack (5 ต.ค. 2026)
• Reka AI — Inverse Dynamics Model for interactive world models
• Hugging Face — RekaAI/Reka-Inverse-Dynamics-Model (Apache-2.0)
• The Decoder — Reka AI’s omni-model Rho-1 handles text, images, video, and robot control in a single model