フランスのKyutaiはInria、École des Pontsと共同で、ロボット操作向けのVLA（Vision-Language-Action）モデル「REKI」を公開しました。2.4Bです。
何が新しいのか
Qwen3.5-2Bの視覚言語モデルに、2億パラメータの行動専門家を重ねた構成です。各フレームの先頭に32個のレジスタトークンを置き、直前3フレーム分をキャッシュとして参照します。追加コストは1チャンクあたり0.1ミリ秒です。
測られた効果
LIBERO-Plusで90.4%、RoboTwin Clean2Randで65.8%、RoboCasa365で38.4%でした。学習はすべて公開データで、同サイズでは最上位です。往復して同じ姿勢を繰り返すエピソードは18.6%から4.1%へ減りました。
利用条件
重みはHugging FaceでCC BY-NC-SA 4.0として公開され、業務利用はできません。コードはMITで、単体のH100で動作します。評価はシミュレーションが中心です。
編集部の見解
記憶を言語モデル側ではなく行動側に置いた点は、実装の負担を増やさずに効かせる設計です。日本の製造業や物流で検証する場合、重みが非商用である点が最初の壁になります。商用利用できるDeepSeekのようなモデルと比べる形が現実的です。
my-best.ai 編集部
出典：Kyutai「REKI」プロジェクトページ、arXiv論文（2026年10月）
メールマガジン
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。