四个模态挤进一个网络，却没有一条基准

10 月 5 日，Reka AI 放出 19B 全模态模型 Rho-1 的研究预览1。它要折平的是「多模态栈」：文本、图像、视频和机器人动作都在同一个网络里进出，不调用工具，也没有第二个模型。

这张页面上没有一条基准。 我按原文逐词数过：success、ablation、MMMU、VideoMME 各出现 0 次；LIBERO 只在视频文案里出现过一次，没有分数。同期的 Gemini Robotics ER 2 给的是 57.4% 和 91.3%2。官方自己把四条失败模式写进了 Limitations，其中包括原生视频上限 672×384。

唯一那根对照条，有一半是画出来的。 页面上写的是「Rho-1 first clip 7.0 seconds, measured」，对「Multi-agent pipeline first clip 13.8 seconds, illustrative」；页脚补了一句 the pipeline row is illustrative。

逆动力学不是它发明的。 「从视频里抽动作来放大机器人训练数据」这一步，NVIDIA 在 2025 年 6 月的 GR00T-Dreams 蓝图里已经用了同一个名字3。Reka 的增量是把逆动力学模型的权重单独开源4，再把动作接进主模型。

几件现在查不到的事。 Rho-1 没有开源：没有许可证、没有权重下载、没有公开 API，落点是一个邮箱。到发稿为止，除 The Decoder 的一篇转述5，没有独立评测、复现或质疑；那篇把「没有第二个模型」写成了「没有外部模型」，也漏掉了逆动力学模型完全是用电子游戏录屏训练的这一点。