Model Kyutai REKI Dodaje pamięć robota bez typowego narzutu obliczeniowego
Kyutai wypuściło model robota o 2,4 miliarda parametrów, który pamięta ostatnie obserwacje, dodając jedynie 0,1 milisekundy do każdej mierzonej predykcji działania. Model Kyutai REKI umieszcza tę pamięć w swoim ekspercie działań, unikając ponownego przetwarzania wcześniejszych klatek z kamer. Ten projekt odpowiada na uporczywe napięcie w uczeniu robotów: pamięć pomaga w manipulacji, lecz kontekst historyczny często zwiększa koszty treningu i wnioskowania.
REKI, skrót od Registering Knowledge in Vision-Language-Action Models, łączy rdzeń wizualno-językowy z mniejszym modułem przewidującym działania robota. Kyutai podaje, że 32 trwałe tokeny rejestru pozwalają modelowi zachowywać informacje z ostatnich klatek. Rejestry pozostają dostępne, gdy robot przewiduje kolejny fragment działania.
To podejście wywiera presję na systemy, które uzyskują kontekst czasowy przez podawanie kilku obrazów do większego modelu wizualno-językowego. Kwestionuje też założenie, że lepsze polityki manipulacji muszą opierać się na większych modelach lub prywatnych zbiorach treningowych. REKI wykorzystuje dane publiczne, publikuje swój potok treningowy i raportuje konkurencyjne wyniki względem modeli o znacznie większej liczbie parametrów.
Wynik nie dowodzi, że kompaktowy, otwarty model robota może zastąpić każdą większą alternatywę. Najmocniejsze dowody pochodzą z benchmarków symulacyjnych i kontrolowanych demonstracji na rzeczywistych robotach. Jednak jego architektura przedstawia konkretną, testowalną tezę: pamięć krótkotrwała powinna znajdować się blisko generowania działań, gdzie może pozostać tania i bezpośrednio użyteczna.
Model Kyutai REKI Czyni pamięć częścią generowania działań
Kluczowa zmiana w REKI ma charakter architektoniczny: niedawny kontekst wizualny staje się buforowaną częścią eksperta działań zamiast kolejnym kosztownym wejściem wizualnym.
Model vision-language-action, czyli VLA, przekształca obrazy i instrukcje językowe w działania fizyczne. W REKI model wizualno-językowy Qwen3.5-2B najpierw koduje widoki z kamer i instrukcję. Następnie ekspert działań o 200 milionach parametrów odczytuje tę reprezentację i generuje sekwencję działań za pomocą flow matching.
Flow matching to metoda generatywna, która przekształca początkową zaszumioną sekwencję działań w użyteczną trajektorię w kilku krokach dopracowania. REKI wykorzystuje dziesięć kroków Eulera podczas testów opóźnień raportowanych przez Kyutai. Stan robota i bieżący czas przepływu trafiają do eksperta działań przez adaptacyjną normalizację.
Kompletny model zawiera 2,4 miliarda parametrów. Według oficjalnej architektury REKI około 2,2 miliarda należy do rdzenia wizualno-językowego. Pozostałe 200 milionów tworzy eksperta działań.
Istotnym dodatkiem jest zestaw 32 wyuczonych tokenów rejestru dla każdej obserwowanej klatki. Tokeny te podsumowują zakodowaną instrukcję i widoki z kamer. Następnie pozostają w pamięci podręcznej klucz-wartość, która przechowuje informacje uwagi możliwe do ponownego wykorzystania w późniejszych predykcjach działań.
REKI trenuje na oknach zawierających trzy klatki z jednego epizodu. Klatki są próbkowane w odstępach jednej sekundy. Podczas wnioskowania model zachowuje rejestry z dwóch poprzednich klatek i usuwa najstarszy zestaw, gdy pojawia się nowa klatka.
To okno daje polityce krótki zapis tego, co niedawno widziała. Robot może więc odróżnić trwające działanie od nowo napotkanego stanu. Nie musi wywnioskować wszystkiego wyłącznie z najnowszego obrazu.
Tokeny rejestru nigdy nie kierują uwagi na wygenerowane tokeny działań. Zależą od obserwacji, a nie od konkretnego stanu robota, czasu przepływu czy kroku odszumiania. Dzięki temu Kyutai może obliczać je raz dla każdej klatki i ponownie wykorzystywać podczas generowania działań.
To rozdzielenie ma znaczenie, ponieważ generowanie działań oparte na przepływie powtarza kilka obliczeń. Ponowne wyliczanie historycznego kontekstu wizualnego przy każdym kroku dopracowania zwielokrotniłoby koszt. REKI utrzymuje podsumowanie obserwacji w stabilnej postaci, podczas gdy jego tokeny działań nadal się zmieniają.
Kyutai podaje, że przewidzenie jednego fragmentu na podstawie dwóch obrazów z kamer o rozdzielczości 256 na 256 zajmuje 21,8 milisekundy na jednym Nvidia H100. Odczyt buforowanych rejestrów dodaje 0,1 milisekundy. Każda zachowana klatka dodaje około 2 MiB pamięci GPU.
Pomiary te dotyczą skompilowanej implementacji Kyutai i określonego sprzętu. Nie ustalają opóźnienia na mniejszych akceleratorach ani w kompletnych systemach robotycznych. Przechwytywanie obrazu przez kamery, sieć, logika bezpieczeństwa i sterowanie aktuatorami mogą zwiększać czas reakcji od początku do końca.
Mimo to rezultat architektoniczny jest konkretny. REKI dodaje ograniczone okno czasowe bez ponownego uruchamiania większego modelu dla wszystkich wcześniejszych klatek. Unika także oddzielnej sieci pamięci, która wymagałaby kolejnej ścieżki treningu i wnioskowania.
Kyutai udostępniło wstępnie wytrenowany model oraz kilka punktów kontrolnych specyficznych dla benchmarków poprzez kartę modelu REKI. Wagi korzystają z niekomercyjnej licencji share-alike, natomiast towarzyszący kod wykorzystuje licencję MIT. To rozróżnienie ma znaczenie dla organizacji rozważających wdrożenie komercyjne.
Wydajna pamięć robota zmienia równanie kosztów
Model Kyutai REKI przekonuje, że użyteczna pamięć robota nie wymaga stale rosnącego kontekstu wideo ani drugiego systemu rozumowania.
Wiele polityk manipulacji działa głównie na podstawie bieżącej obserwacji. Taki projekt utrzymuje wnioskowanie na rozsądnym poziomie, lecz usuwa dowody dotyczące tego, jak scena osiągnęła obecny stan. Pojedynczy obraz może nie ujawniać, czy chwyt właśnie się nie powiódł, obiekt się przesunął czy robot zaczął się wycofywać.
Jedną z odpowiedzi jest przesyłanie kilku historycznych klatek przez rdzeń wizualno-językowy. Zapewnia to bezpośrednie dowody czasowe, lecz każdy dodatkowy obraz wnosi tokeny wizualne. Zapotrzebowanie na obliczenia i pamięć rośnie wtedy wraz z oknem kontekstu.
Inne podejście wykorzystuje rekurencję. Polityka rekurencyjna przekazuje stan ukryty z jednego kroku do kolejnego. Stan ten może podsumowywać wcześniejsze obserwacje, choć trening często staje się sekwencyjny i trudniejszy do zrównoleglenia.
Trzecia droga dodaje dedykowany moduł pamięci. Może on obsługiwać bogatsze historie, wyszukiwanie lub wiele skal czasowych. Wprowadza jednak również kolejny komponent, którego przepływ danych, optymalizacja i zachowanie w przypadku błędów wymagają walidacji.
REKI wybiera węższy cel. Jego rejestry zachowują wystarczający niedawny kontekst, aby poprawić lokalną spójność działań. Mechanizm nie próbuje zapewniać semantycznej historii całego zadania ani miejsca pracy.
Trening również unika sekwencyjnego rozwijania okna pamięci. Kyutai pakuje trzy klatki do jednej partii i przetwarza je razem. Ekspert działań wykorzystuje uwagę o zmiennej długości, a każda klatka wnosi stratę treningową.
Taki układ zachowuje trening równoległy. Model wizualno-językowy nie wykonuje więcej pracy, niż wykonałby dla tej samej liczby niezależnych klatek bez pamięci. Ekspert działań ponosi koszt dodatkowych tokenów rejestru, ale komponent ten jest znacznie mniejszy.
Podczas wnioskowania poprzednie klucze i wartości rejestrów pozostają w pamięci podręcznej. Bieżące tokeny działań kierują uwagę na te rejestry obok bieżącej obserwacji. Model otrzymuje więc informacje czasowe przez operacje uwagi, które już wykonuje.
To jest mechanizm stojący za określeniem Kyutai „pomijalny koszt”. Twierdzenie nie oznacza, że pamięć dosłownie nic nie kosztuje. Rejestry zużywają pamięć GPU, pojemność uwagi i 0,1 milisekundy w raportowanej konfiguracji.
Mocniejszy argument jest proporcjonalny. Ten zmierzony przyrost stanowi mniej niż jeden procent opóźnienia fragmentu działania wynoszącego 21,8 milisekundy. Jest także znacznie mniejszy niż koszt wielokrotnego kodowania kilku obrazów z kamer przez rdzeń o 2,2 miliarda parametrów.
Okno pamięci pozostaje celowo krótkie. Trzy klatki próbkowane co sekundę nie obejmują długiego zadania domowego ani rozbudowanej sekwencji odzyskiwania sprawności. Projekt pamięta niedawny stan wizualny, a nie każde istotne zdarzenie.
Ta granica odróżnia REKI od systemów ukierunkowanych na minuty kontekstu epizodycznego. Ogranicza także ryzyko związane z nieaktualnymi informacjami. Przesuwająca się pamięć podręczna odrzuca stare rejestry, zamiast pozwalać na gromadzenie się nieograniczonej historii.
W praktycznej manipulacji krótka pamięć nadal może rozwiązać częsty problem. Polityka bez pamięci może naprzemiennie wybierać dwie prawdopodobne pozy, ponieważ każdy bieżący obraz wyzwala inną lokalną decyzję. Niedawne obserwacje dostarczają ekspertowi działań dowodów dotyczących wcześniejszego kierunku.
Kyutai podaje, że takie oscylacje pozy stały się z pamięcią około cztery razy rzadsze. Wynik ten łączy architekturę z obserwowalnym zachowaniem robota. Jest bardziej informacyjny niż sama średnia benchmarkowa, ponieważ wskazuje jeden tryb awarii, któremu przeciwdziałają rejestry.
Projekt stawia również użyteczne pytanie inżynieryjne. Zespoły nie muszą już wybierać wyłącznie między bezstanowym sterowaniem a dużym systemem pamięci. Mogą sprawdzić, czy kompaktowe, buforowane podsumowania obserwacji rozwiązują istotne dla ich robotów problemy czasowe.
Dane publiczne wywierają presję na większe modele VLA
Najmocniejszy argument konkurencyjny REKI łączy wydajność z odtwarzalnością, zamiast twierdzić, że model bezwzględnie przewyższa każdy inny model robota.
Kyutai podaje, że wstępnie wytrenowało REKI wyłącznie na źródłach publicznych. Mieszanka zawiera miliard klatek obejmujących teleoperację robotów, symulację i egocentryczne nagrania wideo ludzi. Zawiera także 12,2 miliona próbek vision-language.
Dane robotyczne obejmują podzbiory z Open X-Embodiment, BridgeData V2, DROID, AgiBot World, RoboMIND, RoboCOIN i innych udostępnionych kolekcji. Źródła symulacyjne obejmują InternData-A1 oraz GR00T X-Embodiment Sim.
Dane skoncentrowane na człowieku wnoszą kolejną perspektywę na manipulację. Kyutai wykorzystało materiały EgoDex, EgoVerse i Xperience pokazujące interakcje dłoni z perspektywy egocentrycznej. Zbiory vision-language dodają przykłady osadzania przestrzennego i wskazywania.
Artykuł REKI podaje, że wstępny trening trwał 200 000 kroków na 32 GPU H100. Kyutai zachowało natywną konwencję sterowania każdego zbioru danych zamiast przekształcać każdego robota do jednej uniwersalnej reprezentacji działań.
Dane publiczne nie oznaczają bezwysiłkowej reprodukcji. Raportowany trening nadal wymaga znacznego sprzętu, przetwarzania danych i czasu inżynierskiego. Licencje zbiorów danych oraz wymagania dotyczące magazynowania również pozostają istotne.
Jednak wydanie zmienia to, co zewnętrzni badacze mogą sprawdzić. Kyutai opublikowało kod kuracji danych, logikę treningu, kod wnioskowania, narzędzia ewaluacyjne, komponenty wdrożeniowe i wagi modelu. Publiczna baza kodu REKI stanowi punkt wyjścia do replikacji i modyfikacji.
Ta otwartość ma znaczenie, ponieważ wiele silnych systemów VLA publikuje punkty kontrolne bez ujawniania pełnych mieszanek danych wstępnego treningu. Inne opierają się na prywatnych trajektoriach robotów lub syntetycznych potokach danych, których osoby z zewnątrz nie mogą dokładnie odtworzyć.
Głównym przeciwnikiem REKI nie jest zatem jedna firma. Jest nim większa, intensywnie wykorzystująca dane ścieżka VLA, która łączy więcej parametrów z mniej odtwarzalnymi danymi treningowymi. Kyutai argumentuje, że architektura i kuracja danych mogą odzyskać znaczną część wydajności tej ścieżki.
Raportowane wyniki benchmarków wspierają część tego argumentu. REKI osiąga 90,4 procent skuteczności w LIBERO-Plus i 65,8 procent w RoboTwin Clean2Rand. Kyutai podaje, że są to najwyższe wyniki wśród porównywanych modeli wstępnie wytrenowanych na danych publicznych.
Porównanie staje się bardziej skomplikowane, gdy systemy wykorzystują dane własnościowe lub syntetyczne. Qwen-RobotManip osiąga 68,5 procent w Clean2Rand, wyprzedzając REKI z wynikiem 65,8 procent. W jego raporcie technicznym opisano większy model z 4,7 miliarda parametrów oraz potok syntezy danych od człowieka do robota.
W RoboCasa365 REKI zgłasza średni wskaźnik powodzenia na poziomie 38,4 procent. Xiaomi-Robotics-1 osiąga 57,4 procent, a ABot-M0.5 — 40,4 procent. Oba mają około dwa razy więcej parametrów niż REKI.
Liczby te wyraźniej wspierają tezę o wydajności w stosunku do rozmiaru niż o ogólnym prymacie wydajności. REKI prowadzi w niektórych porównaniach, a w innych ustępuje większym systemom. Jego przewaga zależy od tego, który benchmark, kategoria danych i ograniczenie wdrożeniowe są istotne.
Benchmark RoboCasa365 również pokazuje, dlaczego do jednej średniej należy podchodzić ostrożnie. Jego zadania obejmują zachowania atomowe i zadania złożone, z osobnymi warunkami seen i unseen. Model może osiągać nierówne wyniki w tych grupach.
Artykuł Kyutai podaje, że REKI uzyskuje 80,2 procent w atomowych zadaniach RoboCasa365 oraz 57,1 procent w znanych zadaniach złożonych. Jego wskaźnik powodzenia spada do 32,1 procent w nieznanych zadaniach złożonych.
Ta ostatnia wartość ujawnia główne ograniczenie obecnych ocen VLA. Rozpoznawanie instrukcji i generowanie kompetentnych lokalnych działań nie gwarantuje niezawodnego łączenia ich w nieznanych sytuacjach. Sama kompaktowa pamięć nie eliminuje tej luki.
Mimo to REKI podnosi poprzeczkę dla odtwarzalnych punktów odniesienia. Badacze mogą zmieniać jego rejestry, mieszankę danych lub eksperta działań bez odtwarzania nieudokumentowanego systemu. Może to ułatwić interpretację kolejnych eksperymentów.
Dla zespołów prowadzących takie eksperymenty utrzymywanie przeszukiwalnej bazy wiedzy inżynieryjnej może pomóc łączyć zmiany konfiguracji z zaobserwowanymi awariami. Odtwarzalność zależy zarówno od udokumentowanych decyzji, jak i opublikowanego kodu źródłowego.
Zyski w benchmarkach wymagają uważnej interpretacji
Wyniki REKI są obiecujące, ale nadal są to pomiary raportowane przez autorów, kształtowane przez protokoły benchmarków, wybory kompilacji i ograniczone testy w świecie rzeczywistym.
Pamięć poprawia raportowany wskaźnik powodzenia REKI o 1,5 punktu procentowego w LIBERO-Plus. Zysk sięga 5,5 punktu w czystych scenach RoboTwin i 5,4 punktu w RoboCasa365.
Te poprawy występują w trzech różnych benchmarkach, co wzmacnia argument, że pamięć wnosi więcej niż sztuczkę specyficzną dla jednego zbioru danych. Jedna z ablacji ewaluacyjnych usuwa również historyczne klatki, pozostawiając wytrenowany model bez zmian.
Gdy te wcześniejsze klatki znikają, wydajność wraca w kierunku bazowego modelu bez pamięci. Wynik ten sugeruje, że model wykorzystuje podczas inferencji przechowywaną historię, zamiast czerpać wyłącznie korzyść regularyzacyjną podczas treningu.
Analiza oscylacji stanowi kolejną użyteczną kontrolę. Kyutai definiuje oscylację jako ruch między dwiema pozycjami w kolejnych fragmentach działań. Według raportu pamięć zmniejsza liczbę dotkniętych tym epizodów z znacznie wyższego poziomu bez pamięci do około jednej czwartej tej liczby.
Pomiary nadal pochodzą jednak od autorów REKI. Niezależne laboratoria muszą odtworzyć ablacjе przy użyciu innych seedów, sprzętu, kamer i częstotliwości sterowania. Niewielkie różnice implementacyjne mogą wpływać na benchmarki robotyczne.
Porównanie opóźnień również wymaga kontekstu. Kyutai zmierzyło opublikowane modele z wejściami LIBERO na jednym H100. Zespół sam skompilował kilka systemów, ponieważ ich publiczne implementacje nie miały równoważnych zoptymalizowanych ścieżek wykonania.
Ten wysiłek czyni porównanie bardziej praktycznym, ale nie zapewnia idealnej równości. Modele różnią się architekturą, wymaganiami przetwarzania obrazu, horyzontami działań i zgodnością z kompilatorami. Ranking opóźnień może zmienić się na innym akceleratorze lub stosie serwowania.
REKI osiąga 21,8 milisekundy w swojej skompilowanej konfiguracji. Kyutai podaje 25,5 milisekundy dla X-VLA, 33,8 milisekundy dla π0.5, 46,1 milisekundy dla ABot-M0 oraz 51,3 milisekundy dla InternVLA-A1.5.
Liczby te mierzą predykcję fragmentów działań, a nie pełny czas reakcji robota. System produkcyjny obsługuje również czujniki, komunikację, kontrolę kolizji, planowanie ruchu i polecenia dla aktuatorów. Najwolniejszy element może znajdować się poza modelem neuronowym.
Dowody z rzeczywistych robotów są węższe niż ewaluacja w symulacji. Kyutai pokazuje autonomiczne przebiegi z użyciem ramienia UR5 i zgłasza dostrajanie na 50 demonstracjach na zadanie. Wskazuje to na możliwość wdrożenia, ale nie potwierdza szerokiej niezawodności w domach ani fabrykach.
Krótki zakres pamięci rodzi dodatkowe pytania operacyjne. Kontroler musi resetować buforowane rejestry po zakończeniu epizodu, zmianie kamery lub przerwaniu zadania przez człowieka. W przeciwnym razie stare obserwacje mogą wpływać na nową sytuację.
Stan robota nie trafia bezpośrednio do samych rejestrów. Dzięki temu można ich ponownie używać między krokami odszumiania, co poprawia wydajność. Może to jednak ograniczać to, co są w stanie reprezentować w zakresie kontaktów, sił lub wewnętrznych przejść sterowania.
Historia wizualna może pokazać, że obiekt się przesunął, lecz niekoniecznie uchwyci, dlaczego chwyt się nie powiódł. Czujnik dotykowy lub sygnał momentu obrotowego stawu może ujawnić informacje nieobecne w obrazie z kamery. Przyszłe warianty będą musiały testować bogatsze wejścia bez utraty przewagi wydajnościowej.
Licencjonowanie jest kolejnym ograniczeniem. Kod REKI wykorzystuje licencję MIT, ale jego wagi są objęte CC BY-NC-SA 4.0. Firmy nie mogą zakładać, że publiczna dostępność zezwala na nieograniczoną integrację komercyjną.
Pochodzenie zbiorów danych również zasługuje na analizę. Mieszanka może być publiczna, a jednocześnie łączyć źródła o różnych licencjach, procedurach zbierania danych, konfiguracjach kamer i semantyce działań. Kyutai twierdzi, że wyselekcjonowało każde źródło, ale zespoły korzystające z danych pozostają odpowiedzialne za zgodność.
Wreszcie, przewodzenie w benchmarkach szybko się dezaktualizuje. Konkurenci mogą dodać podobne buforowane rejestry, destylować większe modele lub ulepszać kompilatory. Trwały wkład REKI będzie zależał mniej od jednej pozycji w rankingu niż od niezależnego przyjęcia jego projektu pamięci.
Co dalej z Kyutai REKI
Trzy sygnały zdecydują o tym, czy REKI stanie się trwałym punktem odniesienia dla VLA, czy pozostanie wydajnym wynikiem badawczym.
Pierwszym sygnałem jest niezależne odtworzenie wyników. Zewnętrzne grupy muszą ponownie przeprowadzić ablacje pamięci i ewaluacje benchmarkowe przy użyciu opublikowanych checkpointów. Dopasowanie raportowanych zysków wzmocniłoby tezę, że pamięć rejestrowa przenosi się między implementacjami.
Odtworzenie powinno obejmować zarówno wskaźniki powodzenia, jak i kategorie awarii. Badacze powinni liczyć oscylacje, powtarzane chwyty, zatrzymane przejścia i niebezpieczne ruchy. Średni wynik może ukrywać, czy pamięć naprawia jeden rodzaj awarii, jednocześnie pogarszając inny.
Zespoły powinny również przetestować kilka długości okna. REKI wykorzystuje trzy klatki próbkowane co sekundę, z zachowaniem dwóch historycznych klatek. Dłuższe okna pokażą, jak pamięć rejestrowa skaluje się, zanim opóźnienie lub dokładność zaczną się pogarszać.
Jeśli niezależne testy zachowają raportowane zyski i niskie narzuty, argument architektoniczny REKI stanie się mocniejszy. Duże rozbieżności osłabiłyby wnioski wyciągane z obecnych benchmarków.
Drugim sygnałem jest wdrożenie poza infrastrukturą klasy H100. Opublikowany pomiar 21,8 milisekundy wykorzystuje wysokiej klasy akcelerator centrum danych oraz skompilowaną ścieżkę wykonania. Wiele praktycznych robotów działa na mniejszych urządzeniach brzegowych lub współdzielonych zasobach obliczeniowych.
Skwantyzowane checkpointy, niższe rozdzielczości obrazu i alternatywne akceleratory pokażą, czy wydajność modelu utrzymuje się w realistycznych ograniczeniach. Testy end-to-end powinny obejmować pobieranie obrazu z kamery, przetwarzanie wstępne, kontrole bezpieczeństwa i komunikację sterującą.
Udane wdrożenie brzegowe przekształciłoby kompaktowy rozmiar REKI w przewagę operacyjną. Jeśli pamięć pozostanie tania, ale backbone będzie dominował w opóźnieniach, uwaga przesunie się na destylację i optymalizację enkodera wizji.
Trzecim sygnałem jest wydajność w dłuższych, nieznanych zadaniach. Wyniki RoboCasa365 dla nieznanych zadań złożonych pokazują, że trudna kompozycja czasowa pozostaje nierozwiązana. Model musi zachowywać istotny stan przez więcej niż kilka sekund bez gromadzenia nieaktualnego kontekstu.
Badacze mogą testować systemy hybrydowe, które łączą lokalne rejestry REKI z wolniejszą pamięcią epizodyczną. Szybka pamięć podręczna mogłaby stabilizować natychmiastowe ruchy, podczas gdy oddzielny planista śledziłby ukończone podzadania i cele długoterminowe.
Takie połączenie zachowałoby rozróżnienie między dwoma problemami pamięci. Robot potrzebuje lokalnej ciągłości, aby unikać oscylacji, oraz historii zadania, aby ukończyć dłuższe procedury. Jeden mechanizm niekoniecznie rozwiązuje oba problemy.
Kolejny test zapewnią konkurenci. Qwen-RobotManip kładzie nacisk na skalowanie, wyrównanie i syntetyczne trajektorie. π0.5 firmy Physical Intelligence podkreśla szeroką generalizację w środowiskach rzeczywistych oraz heterogeniczne sygnały treningowe.
REKI zajmuje bardziej ograniczoną pozycję. Proponuje, że wydajna pamięć po stronie działań oraz pretrenowanie na danych publicznych mogą stworzyć niewielką, możliwą do zbadania politykę o konkurencyjnych wynikach. Ta pozycja pozostaje wartościowa nawet wtedy, gdy większe modele wygrywają pojedyncze benchmarki.
Deweloperzy powinni obserwować, czy inne projekty VLA przyjmują pamięć opartą na rejestrach lub publikują porównywalne ablacje. Szerokie ponowne wykorzystanie architektury wskazywałoby, że technika rozwiązuje wspólny problem, zamiast pasować do jednego modelu.
Nabywcy korporacyjni powinni zadawać inny zestaw pytań. Czy system może bezpiecznie wyczyścić pamięć, dotrzymać terminów całej pętli sterowania i odzyskiwać sprawność po przerwaniach? Czy jego wagi mogą być używane na zamierzonych warunkach komercyjnych?
Badacze powinni sprawdzić, czy opublikowany potok danych odtwarza zgłoszone checkpointy. Powinni także dokumentować decyzje dotyczące przetwarzania wstępnego, seedy ewaluacyjne i ustawienia kompilatora. Te szczegóły często decydują o tym, czy otwarta publikacja staje się użytecznym punktem odniesienia.
Model Kyutai REKI nie rozstrzyga wyścigu o inteligencję robotów ogólnego przeznaczenia. Zawęża jednak jeden ważny spór inżynieryjny. Niedawny kontekst może poprawić manipulację bez wymuszania przejścia każdej historycznej klatki przez najdroższą część modelu.
Kolejnym krokiem jest weryfikacja poza środowiskiem Kyutai. Jeśli zyski pamięci REKI utrzymają się na niezależnych robotach, słabszym sprzęcie i dłuższych zadaniach, buforowanie po stronie działań stanie się czymś, czego więksi twórcy VLA nie będą mogli ignorować.
