Reka 发布 70 亿参数端侧视觉语言模型 Reka Edge

背景

能力较强的视觉语言模型大多部署在数据中心：图像或视频帧被送到远端服务器，答案再通过网络传回。这种方式适合聊天和批量处理素材，却不太适合需要在物理世界里实时行动的机器——机械臂、飞行中的无人机、汽车。对这些设备来说，往返服务器会带来延迟、依赖网络连接，还要把原始传感器数据送出设备。把模型直接放在设备本地运行可以避开这些问题，但受限于内存、功耗和算力。

发布内容

2026 年 3 月 11 日，Reka 发布视觉语言模型 Reka Edge，参数规模为 70 亿 ^[1]。公司把它定位为端侧物理 AI（physical AI）模型，而不是用于云端推理 ^[1]。Reka 给出的理由是，前沿的视觉智能应当是快速、轻量、随处可部署的 ^[1]。

关键细节

Reka 将这一模型与 Qwen3.5 9B、Cosmos Reason2 8B 和 Gemini 3 Pro 做了基准对比 ^[1]。这次对比混合了开放权重模型和闭源模型，评测方式也交代得比较具体：所有开放权重的对比模型都托管在 Reka 自己的集群上，通过 vLLM 提供服务，Gemini 是唯一的例外，通过其 API 评测 ^[1]。用本地托管的模型对比 API 调用的模型，服务栈本身并不相同，公告明确说明了哪一方用的是哪种方式。

另外两个细节关乎模型如何装进硬件。Reka 还提供 3.5 比特的 Reka Quant 量化格式，用更少的比特表示每个权重，从而进一步节省内存占用 ^[1]。模型有三种获取方式：playground、API 和自托管，也就是说同一模型既可以在浏览器里试用，也可以远程调用，或运行在使用者自己掌控的硬件上 ^[1]。

Reka 在公告中点名的目标用途包括机器人、无人机、汽车、智能眼镜和媒体标注 ^[1]。前四类都是在真实时间里边看边动的设备，最后一项则是对图像和视频大规模打标签的数据处理任务。

影响

这次发布处在两条趋势的交汇处：视觉语言模型越做越小、越做越强，以及 AI 从数据中心走向设备端。一个能描述场景、读出图像中的文字、回答关于摄像头画面问题的模型，如果跑在机器人携带或人佩戴的硬件上，那么这些设备在断网状态下能做的事情就不一样了。Reka 所说的「快速、轻量、随处可部署」，讲的正是能力与可部署性之间的这种取舍 ^[1]。

对比清单也说明了 Reka 把自己放在怎样的竞争位置上：Qwen3.5 9B 和 Cosmos Reason2 8B 是尺寸级别相近的开放权重模型，Gemini 3 Pro 则代表端侧模型用以衡量自身的大型闭源系统。量化格式和三种交付途径——playground、API、自托管——同时出现，说明这款模型既面向做原型的开发者，也面向要把模型部署到硬件上的团队。