19B 一个网络同时出视频和动作：全模态开始「收敛」而不是「拼接」

结论先说：全模态模型正在从"拼装多个专家"转向"共享一套表征"，这不再是参数量的竞赛，而是表征复用率的竞赛——Rho-1 用 19B 验证了这条路可行，也顺手暴露了它的现实边界。

Reka 放出 Rho-1 的研究预览版：一个 19B 的全模态推理模型，从零训练，单个网络既能理解文本、图像、视频，也能生成图像与视频，还能直接输出机器人动作。如果只看"什么都能做"，这类描述在过去一年已经反复出现；真正值得琢磨的是它的结构选择。

一、关键设计：理解与生成共享同一层注意力

Rho-1 在每一层里放了两条专家流，一条负责理解输入，一条负责生成内容，两条流共享注意力机制和同一个 KV cache。

这个细节决定了它的定位：

• 如果理解模型和生成模型各维护一套表征，"看懂画面"和"生成画面"之间就永远隔着一层翻译；
• 共享 KV cache 意味着模型对同一段上下文只有一份"记忆"，视频帧、图像块、文本 token 走的是同一套注意力计算。

对机器人任务来说，这一点比生成质量更重要：动作输出如果能直接消费与视觉理解同源的潜变量，就不需要额外的"感知→规划→控制"接口层，延迟和误差都会小一截。

二、工程侧的三个数字

• 训练成本：320 张 H100 跑 3 个月。这个量级在 2026 年已经属于中小规模，说明全模态不必靠万卡堆出来。
• 推理效率：蒸馏版把去噪步数从 99 步压到 8 步，约 1 秒生成 5.3 秒视频片段。这是"能不能进实时交互"的分水岭。
• 能力边界：视频生成上限 672×384，且目前只是研究预览，未开放权重、API 或定价。

672×384 这个数字值得停下来看一眼。它说明 Rho-1 现在证明的是架构可行性，不是可交付画质。真正的产品化还要解决分辨率、时长和推理成本三件事。

三、对读者的实际影响

如果你在做选型或技术判断，建议用三个问题替代"它比 GPT 强吗"：

1. 表征是否共享：看它有没有共用注意力、KV cache 或潜空间，还是靠多个模块拼接；
2. 动作是否与视觉同源：做具身智能的，动作与视频若出自同一网络，集成成本会低很多；
3. 部署边界在哪：没有权重和定价，就只能当论文读，不能进生产计划。

四、一个提醒

"一个模型干四件事"很容易被读成"通用智能更近了"。更准确的读法是：多模态的融合点正在从数据层下移到表征层。数据层的融合（把图片、视频、文本混在一起训）早就做到了；表征层的融合才刚开始，而它才是让模型能同时"看懂"和"做出"的前提。

• 短期：能省掉一批胶水代码，尤其是视觉加控制类的项目；
• 中期：瓶颈会从"能不能做"变成"做得多快多省"；
• 风险：研究预览不开放，外部无法复现，这类成果目前的价值停留在方向指示上。

参考来源

• MarkTechPost：《Reka Releases Rho-1, a 19B Omni Reasoning Model》 https://www.marktechpost.com/2026/10/05/reka-releases-rho-1-a-19b-omni-reasoning-model-that-understands-generates-video-and-outputs-robot-actions-in-one/

延伸阅读：被要求「一周做出一个网站」，我是怎么沟通的 · 多个智能体同时改一个仓库：Git 要补的不是速度，是边界 · 韩国五大银行同时被袭：被攻破的不是网银，是「支持系统」