Kyutai 公開 REKI 2.4B 機器人模型，以快取記憶降低動作反覆振盪

Kyutai 與 Inria、法國國立路橋學院合作推出 REKI，一款約 24 億參數的視覺語言動作模型。官方於 10 月 16 日公布專案，論文則於前一天提交 arXiv；此次開放內容涵蓋預訓練及任務微調權重，以及資料整理、訓練、評測和實體機器人部署程式碼。官方發布紀錄、論文

REKI 以 Qwen3.5-2B 編碼相機畫面與文字指令，再由約兩億參數的流匹配動作專家產生動作序列。其關鍵設計是每幀加入 32 個可學習的暫存 token，摘要當前觀察，並將鍵值留在快取中，供後續動作讀取。這些 token 不讀取動作 token，因此可跨去噪步驟重用，歷史影像也無須重新編碼。訓練採三幀、每幀間隔一秒的視窗，推論時保留前兩幀的記憶。架構說明

團隊在單張 H100、兩路 256×256 影像、十次 Euler 步驟及 CUDA graphs 條件下，量得每個動作區塊耗時 21.8 毫秒；讀取歷史記憶增加約 0.1 毫秒，每個過去影格增加約 2 MiB 顯示記憶體。這組數據提供了短期記憶的成本依據，但不能直接當成機器人完整控制迴路的延遲。推論測試條件

公開儲存庫列出的成功率為 LIBERO-Plus 90.4%、RoboTwin Clean2Rand 65.8%、RoboCasa365 38.4%，各自使用對應的微調模型。官方消融實驗也顯示，RoboTwin Clean 中反覆在兩個姿態間振盪的回合比例，從無記憶時的 18.6% 降至 4.1%。這支持短期觀察有助於消除動作歧義，但仍屬團隊自測，尚不能推論所有機器人任務都會受益。評測程式與結果、記憶消融

對研究者而言，公開資料配方與評測流程有助於重現；部署者則須注意，權重採 CC BY-NC-SA 4.0 授權。模型主要學習桌面操作與平行夾爪示範，新機器人的狀態配置需要重新訓練輸入層，重新規劃間隔也須配合訓練設定。接下來值得觀察的是獨立重現、其他硬體上的延遲，以及新夾爪與任務的微調成本。模型卡與限制