# 24 亿参数、90.4%、21.8 毫秒：Kyutai 把「记忆」塞进动作专家，VLA 的下一道题从参数量换成了时延 > 一个 24 亿参数的 VLA 模型，用 32 个 register token 把「最近几帧发生了什么」缓存下来，在 LIBERO-Plus 上拿到 90.4%，单张 H100 上一个动作块 21.8 毫秒。这篇讲的是：当基准分数普遍上到 90 分之后，真正卡住落地的已经不是准确率，是时延和可见性。 ### TLDR - **发布内容**：法国 AI 实验室 **Kyutai** 联合 **Inria** 与 **École des Ponts** 发布 **REKI**，一个 **24 亿参数**的视觉-语言-动作（VLA）模型，面向机器人操作，权重已公开在 Hugging Face。 - **结构**：骨架是 **Qwen3.5-2B**，配一个 **2 亿参数**的动作专家，动作块由 **flow matching** 生成；机器人状态与流时间通过 adaptive RMSNorm 注入，每种机器人状态配置配一个独立的小状态 MLP。 - **记忆机制**：动作专家内部用 **32 个可学习的 register token** 放在动作 token 之前，既能交叉注意力看提示与当前帧，也能自注意力看**更早帧的 register**；register 只依赖观测，每帧算一次后放进滚动窗口缓存。 - **成绩**：在 **LIBERO-Plus** 上取得 **90.4%** 的最高分；在 **RoboTwin Clean2Rand** 上是「仅用公开数据预训练」的 VLA 中最好的；在 **NVIDIA H100** 上，两路 **256×256** 相机输入下，一个动作块处理耗时 **21.8 毫秒**。 - **边界**：报道同时写明，在部分分布外（OOD）基准上，REKI 被**参数量约为其两倍**的模型超过；权重目前只提供 **BF16**，未发布量化版本。 - **判断：**90.4% 这个分数本身不是新闻，21.8 毫秒才是。它把 VLA 的竞争从「能不能做对」推到了「多久能给出下一个动作」，而这恰好是端侧部署最先撞墙的地方。 ### SRC 素材时间窗为**前一日 18:00 → 当日 09:00**（北京时间 2026-10-17 18:00 → 2026-10-18 09:00）。主信源为 MarkTechPost 2026-10-17 的报道《Meet Kyutai REKI: The 2.4B VLA Model Bringing Efficient Memory to Robot Manipulation》（https://www.marktechpost.com/2026/10/17/meet-kyutai-reki-the-2-4b-vla-model-bringing-efficient-memory-to-robot-manipulation/ ），经 Interestana 同题转载页（https://interestana.com/articles/meet-kyutai-reki-the-24b-vla-model-bringing-efficient-memory-to-robot-manipulation-002cd5qv ）交叉核读，两处数字一致；原始项目页为 kyutai.org/reki，权重托管于 Hugging Face。需切开的边界：①MarkTechPost 只标注日期 2026-10-17，**未给出具体发布时刻**，欧洲工作时段发布、北京时间隔夜落地，本篇按窗口内素材处理；②本篇**未直接读取 arXiv 论文原文**，所有结构描述与数字均来自上述两级转述，属**单一信源链**，未经论文原文独立复核；③90.4% 与 21.8 毫秒的**测试条件**（任务集范围、是否含重试、H100 的 batch 与精度设置）报道未完整披露，不同设置下的数字不可直接横向比较；④文中关于「控制频率换算」与「时延预算」的计算是**本站依据 21.8 毫秒做的换算**，不是原文结论；⑤报道未披露训练数据规模、训练算力与许可协议，本篇不做推测；⑥本站此前对 VLA 与物理推理模型已有专门解读，本篇只谈记忆机制与时延，不重复既有论证。事实与判断已切开，判断均以「判断：」开头标注；文末版权与免责声明由模板自动附加。 ### BODY
先把这个模型拆成三块看

REKI 是一个 24 亿参数的 VLA：输入相机画面与语言指令，输出机器人动作。骨架是 Qwen3.5-2B，负责理解「画面里有什么、指令要什么」；在此基础上挂一个 2 亿参数的动作专家，用 flow matching 生成动作块。机器人自身的状态（关节角、夹爪开合等）和 flow matching 的时间步，通过 adaptive RMSNorm 注入；每一种机器人状态配置，配一个独立的小状态 MLP。

这个结构并不新鲜——主干加动作专家，是当下 VLA 的主流做法。真正新的是动作专家内部的那一段：32 个可学习的 register token，被放在动作 token 之前。

这 32 个 token 做两件事。其一，对已编码的提示与当前帧做交叉注意力，把「现在要干什么」读进来；其二，对**更早帧的 register** 做自注意力，把「刚才发生了什么」接上来。关键在于，register 只依赖观测，不依赖动作输出，因此每一帧只需计算一次，算完就丢进一个滚动窗口缓存起来，后续帧直接复用。

判断：这其实是一个很工程化的取舍：与其让模型反复回头看整段历史（代价随帧数线性甚至平方增长），不如把历史压缩成一段固定长度的记忆，每帧增量更新。代价是记忆容量被 32 个 token 锁死，好处是推理开销几乎不随记忆长度变化。这条路线的价值不在精度，在于它让「带记忆的 VLA」第一次变得可部署。

为什么是记忆，而不是更大的模型

多数 VLA 只看当前帧。这在实验室里够用，一到真实场景就出问题：物体被手挡住两帧、夹爪打滑了一次、桌面被前面的动作推动了半厘米——这些都不会出现在当前帧里，但决定了下一步该怎么做。没有记忆的模型只能靠当前这一帧重新猜，猜错的代价是动作抖动或直接失败。

补记忆有两条路。一条是加大上下文，把历史帧直接塞进模型；代价是计算量随帧数增长，对需要在几十毫秒内出动作的控制系统来说，这几乎不可用。另一条就是 REKI 的做法：把历史压成固定长度的 register，滚动更新。

加大上下文：信息保真度高，能回溯到具体某一帧；代价是时延随历史长度增长，且长上下文的注意力开销在端侧芯片上很难压住。

压缩记忆：时延基本恒定，可预测、可排期；代价是记忆容量有上限，长时间跨度的因果链可能被截断，且丢弃哪些信息由训练决定，不可人工指定。

判断：这两条路不是技术优劣之争，是部署形态之争。如果模型跑在云端、机器人通过网络调用，加大上下文完全可行，反正网络往返本身就几十毫秒；如果模型跑在本体上，压缩记忆几乎是唯一选择。REKI 把答案明确压向了后者。

21.8 毫秒意味着什么

报道给出的成绩有三项：LIBERO-Plus 上 90.4% 的最高分，RoboTwin Clean2Rand 上是公开数据预训练 VLA 中的最好成绩，以及在单张 NVIDIA H100 上、两路 256×256 相机输入下，一个动作块的推理耗时 21.8 毫秒。权重以 BF16 提供，目前没有量化版本。

指标数值条件本站说明
参数量24 亿Qwen3.5-2B + 2 亿动作专家原文口径，其余为状态 MLP 等
LIBERO-Plus90.4%分布外操作基准报道称最高分，未披露对比清单
动作块时延21.8 毫秒H100，两路 256×256对应约 45.9 Hz，为本站换算
权重格式BF16无量化版本端侧落地前需自行量化
记忆单元32 register滚动窗口缓存每帧仅算一次的增量设计
表内「本站说明」列为编者补充与换算，其余数值均来自 MarkTechPost 2026-10-17 报道

把 21.8 毫秒换算成频率，大约是每秒 45.9 次决策。这个数字要放在控制周期里看：工业机械臂的常见控制周期在 4 到 10 毫秒，服务机器人本体的关节控制多在 5 到 20 毫秒，而人形机器人整机的高层决策周期通常在 20 到 50 毫秒。也就是说，21.8 毫秒刚好落在高层决策周期的可用区间内，但**没有余量**——一旦加上图像采集、传输、前后处理与安全检查，实际闭环很容易被推到 50 毫秒以上。

高层决策周期下限 20ms
20ms
REKI 动作块 21.8ms
21.8ms
高层决策周期上限 50ms
50ms
加上前后处理后的闭环（本站估计）
>50ms
前三条为报道数字与常见控制周期区间，第四条为本站估计，非原文数据

判断：这条换算给出的是一个并不舒服的结论：模型推理本身已经够快，但快到「刚好够用」的程度。真正决定能不能上机的，是推理之外那一圈——采集、传输、前后处理、安全兜底。行业里大量「模型跑不通」的案例，卡住的从来不是模型，是这一圈里没人负责的部分。

分数已经不是瓶颈了，那什么是

90.4% 出现在一个分布外基准上，这件事本身值得留意。过去两年 VLA 的公开分数从 60 分档爬到 90 分档，速度很快；但当头部模型普遍进入 90 分区间之后，分数对采购决策的指导意义会迅速衰减——因为剩下那不到 10% 的失败，往往集中在最脏、最不可预测的长尾工况里，而基准测不到那里。

报道也如实写了 REKI 的边界：在部分分布外基准上，它被参数量约为其两倍的模型超过。这句话比 90.4% 更有信息量。它说明「小模型 + 记忆」并没有赢下全部战场，赢的是效率与公开数据下的可比性。

判断：接下来 VLA 的分化会沿着部署形态走，而不是沿着分数走。一类往云端走，追求上限，参数可以很大，靠网络换能力；一类往本体走，追求可预测，参数被功耗和时延锁死，靠结构换效率。REKI 明确属于第二类，而且它把「只用公开数据预训练」写进了卖点——这对没法自建大规模真机数据团队的中小厂商，是一个比分数更实在的信号。

对国内团队的三条可执行含义

第一，把「记忆」当成可插拔模块评估，而不是当成模型自带的能力。做集成的团队在选模型时，可以直接问一句：记忆是压成固定长度可缓存的，还是要回看原始历史帧？这一问基本能定出部署形态。

第二，量化是落地前的必答题。目前只有 BF16，没有量化版本，是否能在目标硬件上压到可用区间需要实测。报道没有给出任何端侧芯片上的数字，本篇不做推测。

第三，别把基准分数直接写进验收指标。90.4% 是分布外基准上的成绩，不等于产线上的成功率。

判断：REKI 值得关注的不是 90.4%，是它把两个此前被分开讨论的东西捆在了一起——记忆和时延。过去讨论记忆的文章不谈毫秒，谈毫秒的文章不谈记忆；而真实机器人恰恰要求「记得住刚才」且「下一帧之前算得完」。这两个条件同时满足，模型才算进入了工程范围。

最后标注一条边界：本篇所有结构描述与数字均来自 MarkTechPost 的单篇报道及其转载页，未直接核验论文原文与代码仓库。若后续论文正文对 32 个 register 的训练方式、滚动窗口长度或 LIBERO-Plus 的评测设置有更细的说明，应以原文为准。

来源：MarkTechPost 2026-10-17《Meet Kyutai REKI: The 2.4B VLA Model Bringing Efficient Memory to Robot Manipulation》（https://www.marktechpost.com/2026/10/17/meet-kyutai-reki-the-2-4b-vla-model-bringing-efficient-memory-to-robot-manipulation/ ），经 Interestana 同题转载页交叉核读；项目页 kyutai.org/reki，权重发布于 Hugging Face。素材窗口 2026-10-17 18:00 → 2026-10-18 09:00。
--- *来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/kyutai-reki-24b-vla-memory-robot-manipulation/*