Kyutai, wspólnie z francuską instytutem Inria i École des Ponts, wypuściła REKI - vision-language-action model o 2,4 miliardach parametrów, który łączy wiedzę z wizji komputerowej i przetwarzania języka naturalnego do sterowania robotami. Model zbudowany jest z wbudowanym Qwen3.5-2B jako podstawa i 200-milionowym action expertem, który generuje sekwencje akcji poprzez flow matching zintegrowany w 10 krokach Eulera.
Unikalna cecha REKI to efektywna pamięć działająca wewnątrz action experta - zamiast dodawać koszty obliczeniowe poprzez przetwarzanie wszystkich poprzednich ramek przez duży model wizji, REKI trzyma tylko ostatnie 3 ramki wideo oddalone o 1 sekundę. To rozwiązanie jest znacznie tańsze niż klasyczne podejścia, które wymagają unrollingu całego treningu lub dodatkowych modułów pamięci. Na H100 model generuje akcje w 21,8 ms dla pary kamer 256x256.
Wydajność REKI jest imponująca biorąc pod uwagę rozmiar - model osiągnął 90,4 procent na benchmarku LIBERO-Plus i jest najlepszym VLA wśród modeli pretrenowanych wyłącznie na danych publicznych. Choć na RoboCasa365 uzyskuje gorszy wynik (38,4 procent), to i tak jest konkurencyjny wobec większych alternatyw. Dostępność wag w formacie BF16 na Hugging Face oznacza, że badacze mogą natychmiast zacząć eksperymentować z tą technologią, co przyspieszać będzie rozwój efektywnych systemów robotycznych.