Reka Edge（70 亿参数端侧视觉语言模型）

是什么

Reka Edge 是 Reka AI 于 2026 年 3 月 11 日发布的视觉语言模型（vision-language model）^[1][2]。它有 70 亿参数，输入可以是图像、视频和文本，输出是文本^[2]。图像进、文字出，这正是视觉语言模型与纯语言模型的区别：图像编码器把一张图片或一帧视频变成一串向量，语言模型则把这串向量连同文字提问一起读进去，再往下续写成句子。同一套权重可以描述场景、回答关于照片的问题、指出画面里的某个物体，不必为每种任务各配一个模型。

结构

参数被分给两个部分。视觉编码器是一个 6.57 亿参数的 ConvNeXt V2，属于卷积网络而非 Transformer^[2]；语言一侧是一个 64 亿参数的 Transformer，从零开始训练^[2]。两部分相加，就是模型名字里的 70 亿参数。

真正影响其余设计的，是一张图片被允许占用多少 token（词元）。Reka Edge 每个图像分块只输出 64 个 token，比同类模型少大约三倍^[2]。这件事之所以重要，是因为 Transformer 的计算量随输入序列长度增长：每多一个 token，注意力层就多一份计算，也多占一份内存。同样一张图少花三倍 token，计算和内存占用就相应下降；而在手机和小型开发板上，瓶颈往往不是算力本身，而是数据的搬运量。压缩视觉一侧，因此是少数能同时改善速度和体积的办法。

速度

Reka 公布的数据是每秒处理 5.46 张图像，比 Cosmos Reason2 8B 和 Qwen3.5 9B 快一倍以上^[2]；首 token 延迟（time to first token）为 0.522 秒^[2]。后者是从发出请求到看到回答第一个字之间的等待，也是使用者真正能感觉到的那个数字：一个模型整体答完可能很快，但如果前几秒什么都不出现，用起来仍然迟钝。对于摄像头或视频流这类画面不断到来的场景，这两个数字共同决定模型能不能跟上输入。

测评成绩

在视觉问答基准 VQA-v2 上得 88.40 分，在 MLVU 上得 74.30 分，在 MMVU 上得 71.68 分^[1]。在指代检测任务中——即根据一句话找出它所描述的物体——RefCOCO-A 得 93.13 分，RefCOCO-B 得 86.70 分^[1]。这类分数只在自己那个基准内部可比，也说明不了模型在真实照片长尾上的表现；但它们至少表明，这个规模的模型是被放在和更大系统相同的任务上测量的，而不是换成一套简化题目。

本地运行

Reka Edge 面向产生数据的机器本身。它可以在 NVIDIA Jetson、Apple 芯片、Qualcomm Snapdragon 和 x86 机器上运行^[2]。为了塞进这些目标，权重可以压缩：4 位量化把内存占用从 13 GB 降到 5 GB，减少 62%，同时保住原性能的 98% 以上^[2]。量化的做法是用更少的比特存放每个权重，用一点数值精度换取小得多的体积——这正是「需要一张独立显卡」和「能装进一张信用卡大小的板子」之间的差别。

许可

权重是开放的，许可允许年营收低于 100 万美元的商业使用^[1]。这类安排介于完全放开与只提供 API 之间：小团队和个人开发者可以直接拿模型做产品，更大的机构则需要另行商谈。

找出物体

用「Detect: expression」这样的提示词，可以让模型定位画面中的东西，它会把带标签的边界框（bounding box）放在一个专门的 bbox 标记块里返回^[2]。输出仍是纯文本，程序可以直接解析，检测结果不必经过专用解码器就能接进后面的流程。

位置

Reka Edge 属于这样一类模型：定义它的与其说是分数上限，不如说是它能跑在哪里。取舍是明确的：70 亿参数的规模、刻意做小的视觉编码器，让它在延迟、内存和离线可用性上换来好处，代价是一部分能力余量。选用 ConvNeXt V2 而不是 Transformer 做编码器、每个图像分块只花 64 个 token、量化后 5 GB 的体积，都是为同一个目标服务——把视觉语言模型留在那个「看见世界」的设备里。