AI
Kyutai、2.4BパラメータのロボットVLAモデル「REKI」を公開——軽量メモリ機構で動作の安定性を向上
2026/10/18
Kyutai REKI とは
フランスのAI研究機関Kyutaiは、Inria および École des Ponts と共同で、ロボット操作向けの**ビジョン・ランゲージ・アクションモデル（VLA）「REKI」**を公開した。パラメータ数は約2.4Bで、事前学習にはパブリックデータのみを使用している点が特徴だ。モデルの重みはHugging Face上で公開されており、誰でも利用可能となっている。
アーキテクチャの概要
REKIは、Qwen3.5-2Bをバックボーン（2.2B）として採用し、2億パラメータのフローマッチング型アクションエキスパートと組み合わせた構成を取る。アクションの生成には10ステップのオイラー法によるフローマッチングを用いており、NVIDIA H100 1枚上でコンパイル済みの状態で256×256の2カメラ入力から1アクションチャンクあたり21.8ミリ秒で動作すると報告されている。重みはBF16形式で提供されており、量子化版の提供は現時点では発表されていない。
ロボットの状態とフロー時刻はAdaptive RMSNormを通じて入力され、各ロボット状態レイアウトには専用の小規模なState MLPが割り当てられている。
軽量メモリ機構の仕組み
多くのVLAは現在のフレームだけを参照して行動を決定するが、REKIはアクションエキスパート内に過去フレームの情報を保持する軽量なメモリ機構を実装している。
具体的には、各フレームのアクショントークンの前に32個のレジスタトークンを配置する。このレジスタトークンはそのフレームのエンコード済みプロンプトとカメラ映像をクロスアテンションで参照するとともに、過去フレームのレジスタに対してもセルフアテンションを行う。
重要な点として、レジスタトークンはアクショントークンを読まないため、フロー時刻やロボット状態に依存せず、フレームごとに1回だけ計算してキャッシュできる。現在の実装ではKVキャッシュを3フレーム（1秒間隔）のローリングウィンドウで管理している。
このメモリ機構の計算コストは非常に小さいとされており、キャッシュ済みレジスタの読み込みは21.8msのアクションチャンク生成に対してわずか0.1msの追加にとどまり、過去フレーム1枚あたりのGPUメモリ消費量も約2MiBと報告されている。学習時は3フレームウィンドウを1つのバッチパスに詰め込む形式を採用している。
アームの振動問題を解消
メモリ機構には実用的な副次効果もある。メモリなしの場合、ロボットアームが2つの姿勢の間で振動するエピソードがRoboTwinベンチマークで**18.6%発生していたのに対し、メモリありの場合は4.1%**まで低下したとKyutaiは報告している。同チームはこの原因を知覚的エイリアシング（perceptual aliasing）によるものと説明している。
ベンチマーク結果
REKIは1回の事前学習後、各ベンチマークに個別にファインチューニングされている。以下はKyutaiのプロジェクトページおよびモデルカードに基づく結果だ。
LIBERO-Plusでは**90.4%を達成し、Qwen-RobotManip（89.0%）やπ0.5（85.7%）を上回って比較対象中のトップスコアとなっている。RoboTwin Clean2Randでは65.8%で、Qwen-RobotManip（68.5%）に次ぐ2位。RoboCasa365では38.4%**を記録し、RLDX-1（36.0%）やQwen-RobotManip（35.9%）を上回ったものの、Xiaomi-Robotics-1（57.4%）には大きく差をつけられており、このベンチマークでの課題も明らかになっている。
またLIBEROの4スイートでは97.6%、RoboTwin 2.0のEasy / Hardでは**85.9% / 84.6%**という結果も報告されている。
事前学習の効果は分布外データで顕著で、Clean2Randでは13.8ポイント、散乱条件下では30.3ポイントの改善に寄与したとされる。メモリ機構単体ではLIBERO-Plusで1.5ポイント、RoboCasa365で5.4ポイントの向上が確認されたという。
Kyutaiは「公開データのみで事前学習したVLAの中では最高水準」と主張しており、モデル規模が約2倍のモデルにしか後れを取らなかったと報告している。
公開情報
モデルの重みはHugging Face（kyutai/reki-2b）で公開されており、論文はarXivで参照できる（arXiv: 2610.22178）。プロジェクトページはkyutai.org/rekiで公開されている。
出典: Meet Kyutai REKI: The 2.4B VLA Model Bringing Efficient Memory to Robot Manipulation