📖 AI 总结

Kyutai联合Inria与École des Ponts发布了REKI，一个2.4B参数的视觉-语言-动作模型（VLA），仅使用公开数据预训练，权重已在Hugging Face开放。模型由2.2B的Qwen3.5-2B视觉语言骨干和0.2B的流匹配动作专家组成，其核心创新在于将记忆机制置于动作专家内部：每帧动作token前设置32个学习到的寄存器token，通过交叉注意力编码当前帧的提示与视图，并自注意力读取此前帧的寄存器，从而以较低成本保留最近3帧（间隔1秒）的历史信息。在单张H100上，编译后每动作块耗时21.8毫秒。在LIBERO-Plus上取得90.4%的最高分，在RoboTwin Clean2Rand上为公开数据预训练VLA中最佳，但在RoboCasa365上仅38.4%，落后于小米Robotics-1的57.4%。该工作表明轻量级记忆机制可在不显著增加计算成本的前提下提升机器人操作策略的时序感知能力。