清晨六点，实验室里的机械臂忽然抬起了头。

它只有2.4B参数，身形也不大，却在众目睽睽之下完成了从未有人教过它的动作：从散乱的零件中，准确抓起那枚被灯光照亮的螺栓，旋转半圈，轻轻放进右侧料盒。关节摩擦声细而稳定，像一段克制的心跳。

项目负责人站在玻璃窗外，看着屏幕上的轨迹曲线。昨天，这条指令仍会让模型占用过多显存，响应慢得让人失去耐心；今天，Kyutai团队开源的REKI模型，却用一种更高效的记忆机制，把复杂任务拆成了清晰而有条理的片段。

“它并不是记住更多，”团队成员说，“而是在需要的时候，留下真正重要的部分。”

过去，机器人处理视觉、语言与动作时，常常像同时背着几箱行李的人。画面中的每一处细节、语言里的每一个词，以及可能执行的下一步动作，都被反复保存、调用。任务越复杂，负担越重。REKI则像一位经验丰富的整理师，在奔跑中不断丢弃冗余，只保留与目标有关的线索。

桌上的咖啡渐渐变凉。机械臂继续接受测试：听清指令，辨认物体，移动过去，再完成抓取。有时它会犹豫半秒，镜头微微偏转；随后，动作便精准落下。开源也让更多研究者能够检查它的“思考过程”，不再只能隔着封闭的黑箱猜测失败原因。

下午，模型代码被推送到网络上。有人立刻下载权重，有人讨论如何接入不同机械臂，也有人质疑小模型能否应对更复杂的环境。质疑并未削弱实验室里的兴奋。技术向前推进，往往不是等待所有问题都有答案，而是让更多人同时参与寻找答案。

傍晚，最后一次测试结束。机械臂回到初始位置，指示灯安静熄灭。屏幕角落，REKI仍在运行，像一段尚未合拢的记忆。

Kyutai这次开源的，不只是一个2.4B参数模型。它更像一扇门：门后，机器人正在学习如何看见、理解并行动；而门外，无数双眼睛已经赶来，准备与它一起，把这段关于机器与记忆的故事继续写下去。

#具身智能 #视觉语言动作模型 #开源AI #机器人 #REKI