Kyutai, robot kullanımı için 2,4 milyar parametreli REKI modelini yayımladı

Fransız yapay zekâ araştırma kuruluşu Kyutai, Inria ve École des Ponts işbirliğiyle geliştirdiği REKI adlı görsel-dil-eylem modelini (VLA) yayımladı. Robot manipülasyonuna yönelik model, 2,4 milyar parametreyle yalnızca kamuya açık veriler üzerinde eğitildi ve ağırlıkları Hugging Face üzerinden erişime açıldı.

Şirketin proje sayfasında paylaştığı bilgilere göre model, 2,2 milyar parametreli Qwen3.5-2B görsel-dil omurgası ile 200 milyon parametreli bir akış eşleme (flow matching) eylem uzmanından oluşuyor. Eylem uzmanı, robot hareketlerini 10 Euler adımında parçalar hâlinde üretiyor.

REKI'nin hafızası nasıl çalışıyor?

Çoğu görsel-dil-eylem modeli yalnızca o anki kareye göre hareket ediyor. Geçmiş kareleri modele besleyen ya da eğitimi karmaşıklaştıran önceki hafıza yöntemleri ek maliyet getiriyor. REKI ise hafızayı doğrudan eylem uzmanının içine yerleştiriyor.

Her karenin eylem belirteçlerinin önünde 32 öğrenilmiş kayıt (register) belirteci bulunuyor. Bu belirteçler, o kareye ait komut ve görüntülerle çapraz dikkat kurarken önceki karelerin kayıtlarıyla da öz dikkat kuruyor. Kayıtlar eylem belirteçlerini hiç okumadığı için yalnızca gözlemlere bağlı kalıyor ve her kare için bir kez hesaplanıp kayan bir pencerede önbelleğe alınıyor.

Proje sayfasına göre bu hafızanın maliyeti oldukça düşük: önbellekteki kayıtları okumak, 21,8 milisaniyelik bir eylem paketine yalnızca 0,1 milisaniye ekliyor. Önbellek, geçmiş her kare için yaklaşık 2 MiB GPU belleği kullanıyor. Hafıza ayrıca bir hata türünü de gideriyor: Hafıza olmadan robot kolları sık sık iki poz arasında salınıyor; RoboTwin testinde bu tür salınan bölümlerin oranı hafızayla yüzde 18,6'dan yüzde 4,1'e düşüyor. Kyutai bu durumu algısal eşleşme yanılsamasına bağlıyor.

Hangi testlerde ne sonuç aldı?

Model bir kez ön eğitildikten sonra her test için ayrı ayrı ince ayarlanıyor. Kyutai'nin paylaştığı sonuçlara göre REKI, LIBERO-Plus testinde yüzde 90,4 doğruluğa ulaşarak Qwen-RobotManip (yüzde 89,0) ve π0.5 (yüzde 85,7) modellerini geride bıraktı. RoboTwin Clean2Rand testinde yüzde 65,8 ile yalnızca Qwen-RobotManip'in (yüzde 68,5) arkasında kaldı.

RoboCasa365 testinde ise yüzde 38,4 ile RLDX-1 (yüzde 36,0) ve Qwen-RobotManip'in (yüzde 35,9) önünde yer aldı; ancak Xiaomi-Robotics-1'in yüzde 57,4'lük skorunun belirgin biçimde gerisinde kaldı. Dört bölümden oluşan LIBERO testinde yüzde 97,6, RoboTwin 2.0'ın kolay ve zor sürümlerinde sırasıyla yüzde 85,9 ve yüzde 84,6 elde edildi.

Araştırmacılar, ön eğitimin en çok dağılım dışı görevlerde işe yaradığını bildiriyor: Clean2Rand testinde 13,8 puan, karmaşık sahnelerde 30,3 puan artış sağlıyor. Hafıza ise LIBERO-Plus'ta 1,5, RoboCasa365'te 5,4 puan ekliyor.

Hangi verilerle eğitildi?

Eğitim verisi 1,0 milyar kare ile 12,2 milyon görsel-dil örneğinden oluşuyor. Gerçek robot teleoperasyonundan 639,8 milyon, simülasyondan 193,9 milyon, kişisel bakış açılı insan videosundan 170,9 milyon kare kullanıldı. Kaynaklar arasında DROID, BridgeData V2, AgiBot World, EgoDex ve EgoVerse yer alıyor.

Ön eğitim, 32 adet Nvidia H100 GPU üzerinde 200 bin adım sürdü. Kyutai, her veri kümesinin kendi kontrol düzenini koruduğunu, eylemleri ortak bir biçime dönüştürmediğini belirtiyor. Model, tek bir H100 üzerinde, 256×256 çözünürlüklü iki kameradan derlenmiş hâlde eylem paketi başına 21,8 milisaniyede çalışıyor. Ağırlıklar BF16 biçiminde sunuluyor; duyurulmuş nicemlenmiş (quantized) sürüm bulunmuyor.

Neden önemli?

REKI, robot manipülasyonunda hafızanın modele ne kadar ucuza eklenebileceğini gösteriyor: 0,1 milisaniyelik gecikme ve kare başına 2 MiB bellek karşılığında salınım sorununun büyük ölçüde azalması, maliyet-duyarlı robot uygulamaları için dikkate değer bir sonuç. Modelin yalnızca kamuya açık verilerle eğitilmesi de sonuçların başka ekiplerce yinelenebilirliğini kolaylaştırıyor.

Öte yandan lisans tercihi kullanım alanını daraltıyor: Ağırlıklar açık olsa da CC BY-NC-SA 4.0 lisansı ticari kullanıma izin vermiyor. Türkiye'deki araştırma ekipleri ve robotik girişimleri modeli deneyebilir; ancak ticari bir üründe kullanmak için Kyutai'den ayrı izin almaları gerekiyor.

Nasıl kullanılıyor?

Kyutai, ön eğitilmiş temel modelin yanı sıra LIBERO, RoboTwin (iki varyant), RoboCasa365 ve RoboCasa-GR1 için ince ayarlanmış toplam altı kontrol noktası listeliyor. Gerçek robot kurulumunda LeRobot'un asenkron çıkarım için sunduğu gRPC protokolü kullanılıyor. Şirketin paylaştığına göre bir UR5 robot kolu üzerinde, görev başına 50 gösterimle 3 bin adımlık (yaklaşık 1 saatlik) ince ayar yeterli oluyor.