Kyutai REKI: il modello robotico da 2,4 miliardi con memoria a registri

Kyutai, il laboratorio di ricerca di Parigi noto per i suoi modelli aperti, ha pubblicato REKI, un modello vision-language-action da 2,4 miliardi di parametri progettato per la manipolazione robotica. Sviluppato insieme a Inria ed ENPC e addestrato soltanto su dati pubblici, introduce una memoria molto leggera che aiuta il robot a non perdersi a metà del compito.

Il codice, i pesi e l’articolo scientifico sono disponibili. Vale la pena capire che cosa c’è dentro, perché i numeri dichiarati sono interessanti e dove, invece, serve cautela.

Che cos’è REKI e come è costruito

Un modello vision-language-action, in breve VLA, prende in ingresso le immagini delle telecamere, un’istruzione in linguaggio naturale e lo stato del robot, e restituisce le azioni da eseguire. È la famiglia di modelli su cui si sta concentrando buona parte della ricerca sulla robotica generalista, dalle braccia da laboratorio fino ai primi umanoidi.

Backbone e action expert

Secondo la pagina ufficiale del progetto, REKI usa come base visiva e linguistica un modello Qwen3.5-2B, a cui affianca un action expert da 200 milioni di parametri basato sul flow matching, la tecnica che genera sequenze di azioni continue invece di sceglierle una per una. Lo stato del robot e il passo temporale del flow vengono iniettati tramite una normalizzazione adattiva, la cosiddetta Adaptive RMSNorm.

In pratica, la parte che capisce la scena e il comando è separata da quella che decide i movimenti, e quest’ultima è volutamente piccola.

La memoria a registri, l’idea centrale

Il nome completo, Registering Knowledge in VLAs, indica già dove sta la novità. Molti sistemi robotici decidono guardando soltanto il fotogramma corrente, o al massimo pochi fotogrammi recenti ricalcolati ogni volta. Questo li rende vulnerabili a un difetto molto concreto: l’oscillazione. Il braccio si avvicina all’oggetto, ci ripensa, torna indietro, riprova, e così perde tempo o fallisce il compito.

REKI affronta il problema con alcuni token di registro nell’action expert. A ogni fotogramma, questi token riassumono l’uscita del modello visivo e linguistico. I registri vengono poi conservati in una cache, quindi il modello può consultare il proprio passato recente senza rielaborare tutte le immagini precedenti.

Il costo è basso. Ogni fotogramma viene codificato una sola volta e la cache aggiunge circa 2 MiB di memoria GPU per ogni fotogramma passato, mentre la lettura dei registri pesa circa 0,1 millisecondi.

Meno avanti e indietro

Il dato più chiaro riguarda proprio le oscillazioni. Sul benchmark RoboTwin, Kyutai riporta che gli episodi con movimenti avanti e indietro scendono dal 18,6% senza memoria al 4,1% con la cache dei registri, quindi circa quattro volte meno frequenti. Il miglioramento più marcato si osserva nei compiti a due bracci, dove coordinare le mani è già di per sé difficile.

Se hai seguito gli sviluppi sulle mani robotiche, come nel caso di Natura-1 di Nature Will, noterai che la destrezza fisica è solo metà del problema: l’altra metà è decidere bene, momento per momento, che cosa fare.

I numeri dichiarati da Kyutai

Sulle prestazioni conviene essere precisi, perché i risultati sono stati misurati dal team stesso e, per ora, non sono stati riprodotti in modo indipendente. Con il preaddestramento, REKI ottiene il 90,4% di successo su LIBERO-Plus, contro l’86,1% senza. Su RoboTwin Clean2Rand la media sale al 65,8%, rispetto al 52,0% senza preaddestramento, e il preaddestramento aggiunge 13,8 punti nei test fuori distribuzione, con un contributo di 30,3 punti nelle scene affollate.

Su RoboCasa365 il punteggio medio è 38,4. Qui il quadro è più sfumato: REKI supera RLDX-1 (36,0) e Qwen-RobotManip (35,9), ma resta dietro a Xiaomi-Robotics-1, che arriva a 57,4 con 5,1 miliardi di parametri.

Il confronto è quindi favorevole su due benchmark su tre, ma non è una vittoria totale.

Latenza

Sul fronte della velocità, Kyutai dichiara 21,8 millisecondi per generare un blocco di azioni su una singola GPU H100, con compilazione. Nelle stesse condizioni indica X-VLA a 25,5 ms, pi0.5 nell’implementazione OpenPI a 33,8 ms, ABot-M0 a 46,1 ms e InternVLA-A1.5 a 51,3 ms. I concorrenti sono stati ricompilati dal team di Kyutai, un dettaglio da tenere presente quando si leggono confronti di questo tipo.

Un addestramento solo su dati pubblici

Un altro aspetto distintivo è la provenienza dei dati. Il preaddestramento è durato 200.000 passi su 32 GPU H100, con finestre di tre fotogrammi campionati a distanza di un secondo. Le fonti includono dataset di teleoperazione robotica come DROID, BridgeData V2, RT-1, BC-Z, AgiBot World e RoboMIND, oltre a dati di simulazione.

A questi si aggiungono circa 350.000 episodi di manipolazione umana in prima persona, per circa 170 milioni di fotogrammi, e sottoinsiemi di dataset visione-linguaggio come FineVision e LLaVA-OneVision-1.5, limitati al 10% dei fotogrammi campionati. Ogni dataset mantiene il proprio formato di azione originale, senza forzarlo in una rappresentazione comune.

Per un laboratorio che punta su trasparenza e riproducibilità, la scelta di non usare dati proprietari è coerente, e rende il lavoro più facile da verificare.

Dal simulatore al braccio vero

Il modello gestisce diverse configurazioni, tra cui Franka Panda, ALOHA a due bracci, il robot mobile PandaOmron e l’umanoide GR-1. Sul braccio fisico UR5 il fine-tuning richiede 50 dimostrazioni per compito e circa un’ora su un singolo nodo, con la memoria che dà i vantaggi maggiori nei compiti lunghi e composti da più passaggi.

Che cosa è stato rilasciato e che cosa manca

Il rilascio comprende il paper su arXiv, il codice su GitHub per addestramento, valutazione, elaborazione dei dati e un server di policy per robot reali, e sei checkpoint su Hugging Face: uno preaddestrato, chiamato reki-2b, e cinque specializzati per LIBERO, due varianti di RoboTwin, RoboCasa365 e RoboCasa-GR1. L’uso è semplice: si carica la policy, si azzera la memoria tra un episodio e l’altro e si chiede una predizione passando immagini, stato e descrizione del compito.

Un punto da verificare di persona: la pagina del progetto non indica la licenza di codice e pesi. Prima di usare REKI in un prodotto, controlla i repository.

Perché conta per la robotica

REKI non è il modello più grande né il più potente in assoluto, ed è proprio questo il suo interesse. Dimostra che una buona gestione della memoria può valere quanto qualche miliardo di parametri in più, almeno su certi benchmark. Per chi lavora su robot reali, con GPU limitate e vincoli di latenza, è un segnale utile.

Il tema si lega a quanto sta accadendo in tutto il settore. Aziende come Boston Dynamics stanno ripensando l’hardware per l’apprendimento, come racconta il caso della nuova mano a quattro dita di Atlas, mentre il dibattito sull’impatto del lavoro automatizzato si allarga, come mostra l’analisi sull’esposizione dei lavori fisici all’AI. Modelli aperti e leggeri come REKI abbassano la soglia d’ingresso per università e startup.

Resta una cautela di metodo: i benchmark simulati non coincidono con la fabbrica o con la cucina di casa, e i risultati su robot fisici, qui limitati a un caso con il braccio UR5, vanno letti come un primo indizio.

Conclusioni

REKI mostra che nella robotica generalista la memoria economica può essere un’alternativa credibile alla pura crescita dei modelli. Le cifre sono promettenti, in particolare il calo delle oscillazioni dal 18,6% al 4,1%, ma arrivano dal team che ha creato il modello e aspettano conferme esterne.

Se lavori con la robotica o con l’AI applicata, il mio consiglio è di leggere la pagina del progetto su kyutai.org e provare i checkpoint, verificando la licenza. Seguici per i prossimi aggiornamenti: qui trovi ogni giorno le novità sull’intelligenza artificiale, spiegate con chiarezza.