Kyutai、ロボット向け視覚言語行動モデル「REKI」を公開 パラメータ数24億

パリを拠点とするAI研究機関Kyutaiは、ロボット操作のために開発した24億パラメータの視覚言語行動（VLA）モデル「REKI」を公開した。2026年10月17日に発表されたこのモデルは、フランスの国立デジタル科学研究所Inria、およびエンジニアリング系の高等教育機関École des Pontsとの共同開発によるものだ。

開発チームは二つの特徴を強調している。REKIは公開されているデータのみで事前学習されており、単一の静止画から推論するのではなく、直近の過去に起きたことを低コストな記憶として保持する仕組みを備えている。

ロボットにとって記憶が重要な理由

VLAモデルは、カメラ映像と自然言語による指示を、ロボットの動作へ直接変換することを目指している。こうしたシステムの多くは、現在のフレームだけを基に次の動きを決めるため、複数段階のタスクや、対象物がカメラの視野から外れた場合に失敗しやすい。

直近の履歴を記憶するモデルは、原理的には、引き出しを開けてその中に物を入れるといった連続的な作業を、より一貫して処理できる可能性がある。ロボットは通常、搭載された計算資源が限られているため、この記憶を低コストに保つことが重要だ。ただし、REKIの評価の詳細、すなわちどのタスクやベンチマークで検証したかについては、本記事の作成にあたり確認した資料には含まれていなかった。

オープンデータというアプローチ

ロボット学習の進歩の多くは、企業が共有しない独自データセットで学習されたモデルによってもたらされてきた。公開データのみに依拠することで、他の研究者が結果を再現し、その成果を基に研究を発展させやすくなる。この点から、REKIは学術研究機関にとって有用な参照例となる可能性がある。

Kyutaiは、リアルタイム音声モデルのMoshiなど、オープンな公開で知られている。REKIによって同研究所は、そのオープンな研究姿勢をロボティクスの分野にも広げた。このプロジェクトは、フランスにおける民間AI研究機関と公的研究機関の連携が深まりつつあることを示している。