Kyutai 联合 Inria 发布 REKI：2.4B 开放权重 VLA 用寄存器记忆抑制机械臂抖动

法国 AI 实验室 Kyutai 与 Inria、École des Ponts 合作发布了 REKI，一个 2.4B 参数的视觉-语言-动作模型（VLA），用于机器人操作。MarkTechPost 10 月 17 日报道称，模型权重当天已在 Hugging Face 上线，采用 CC BY-NC-SA 4.0 许可，可开放使用但不能直接商用。

REKI 的结构并不复杂：一个 Qwen3.5-2B 主干网络负责理解图像和指令，另配一个 200M 参数的动作专家，用流匹配生成动作块，积分 10 个欧拉步。机器人状态和流时间通过自适应 RMSNorm 注入，每种状态布局还有自己的小型状态 MLP。

它真正的改动在记忆。多数 VLA 只看当前帧，之前的记忆方案要么把历史帧塞回视觉语言模型，要么展开训练，要么额外加模块，成本都不低。REKI 把记忆放进动作专家：每帧动作令牌前面放 32 个学出来的寄存器令牌，它们对当帧的提示和视角做交叉注意力，也对之前帧的寄存器做自注意力。

这些寄存器从不读取动作令牌，因此只依赖观测，不依赖流时间或机器人状态，可以每帧计算一次并缓存进滚动窗口。Kyutai 称这部分只增加约 0.1 毫秒开销。

记忆解决的是一类具体故障。没有记忆时，机械臂常在两个姿势之间来回摆动；在 RoboTwin 上，这种振荡回合的比例从 18.6% 降到 4.1%，Kyutai 将其归因于感知混叠——从当前画面看，两个不同处境长得一样。

基准成绩方面，REKI 在 LIBERO-Plus 上拿到 90.4%，在 Kyutai 的对比中排名第一，只有参数量约为它两倍的模型能超过它。消融显示，记忆在 LIBERO-Plus 上带来 1.5 个点、在 RoboCasa365 上带来 5.4 个点；预训练对分布外场景帮助更大，在 Clean2Rand 上提升 13.8 个点，在杂乱环境下提升 30.3 个点。

预训练数据全部来自公开来源，共 10 亿帧加 1220 万条视觉语言样本，其中真实遥操作 6.398 亿帧、仿真 1.939 亿帧、第一视角人类视频 1.709 亿帧，覆盖 DROID、BridgeData V2、AgiBot World、EgoDex 和 EgoVerse。训练在 32 块 H100 上跑了 20 万步，并保留各数据集原生的控制约定，而不是统一重映射动作。

落地路径也给了出来：六个检查点覆盖预训练基座以及 LIBERO、RoboTwin、RoboCasa365 等微调版本，真机使用 LeRobot 的异步推理 gRPC 协议；在 UR5 机械臂上，每个任务 50 条示范、微调 3000 步约一小时即可。对机器人团队来说，吸引力在于用公开数据预训练、用低成本记忆补上时序信息，但非商用许可意味着它更像研究基座而非产品组件。