Reka Core 2

• 1. 概要 （共 166 字）

  Reka Core 2 是 Reka AI 在 2026 年 3 月推出的第二代旗艦多模態模型，原生支援文字、影象、音訊、影片四類輸入，主打企業級可靠交付與 API 易用性。它延續了 Reka 從零訓練、原生多模態的技術路線，在影片理解上仍保留相對頭部閉源模型的差異化優勢，但社群聲量與公開基準披露較 OpenAI、Anthropic、Google 仍有明顯差距。

• 2. 產品背景 （共 432 字）

  Reka AI 成立於 2022 年，由一批來自 Google DeepMind、Meta FAIR 與百度的研究科學家創立，總部位於美國加州森尼維爾。核心團隊包括 CEO Dani Yogatama、CTO Cyprien de Masson d'Autume，以及聯合創始人 Qi Liu、Mikel Artetxe 等；原首席科學家 Yi Tay 已於 2024 年底離開，重返 Google DeepMind。公司從創立起就堅持「效率」作為核心路線，強調以更低的算力成本訓練與部署市場領先的模型。   融資層面，Reka 在 2023 年完成約 5800 萬美元 A 輪（DST Global 領投），2025 年 7 月又獲得 1.1 億美元 B 輪融資，估值突破 10 億美元躋身獨角獸，投資方包括英偉達與 Snowflake。新資金用於加速多模態平臺研發與企業級市場擴張。Reka 的產品矩陣按引數量分為 Spark（1B）、Edge（7B）、Flash（21B）與 Core（旗艦）四檔，其中 Flash 3 於 2025 年 3 月以 Apache 2.0 協議開源。

• 3. 產品功能與使用體驗 （共 386 字）

  Reka Core 2 是 Reka Core 的迭代版本，官方將其定位為「第二代旗艦多模態模型」。它在文字、影象、影片、音訊理解任務上相較初代均有提升，官方稱其可與一線前沿模型競爭，同時把重點放在企業可靠性與 API 可達性上。模型上下文視窗為 128K，覆蓋文字生成、視覺、音訊理解、影片理解與推理五類能力，透過 Reka API 與 AWS Bedrock 兩種渠道對外提供。   Reka 的核心技術敘事是「原生多模態」：文字、影象、影片、音訊從訓練階段就是一等公民，而非事後掛載的介面卡。這一路線的最大亮點是影片理解——初代 Reka Core 在 Perception-Test 影片問答基準上拿到 59.3 分，超過 Gemini Ultra 的 58.7 分，而當時的 GPT-4o 尚不支援連續影片片段的原生處理。Core 2 沿用了這一能力取向，並強化了與智慧體工作流的結合，可用於多模態 RAG、影片檢索、事件檢測等場景。

• 4. 定價與商業模式 （共 310 字）

  據 Reka 官方定價文件（2026 年 6 月核驗），Reka Core 的文字呼叫價格為每百萬輸入 token 2.00 美元、每百萬輸出 token 6.00 美元；影象按張計費（約 0.02 美元/張），影片 0.08 美元/分鐘，音訊 0.02 美元/分鐘。作為對照，Edge 為 0.10/0.10 美元、Flash 為 0.80/2.00 美元。Reka Research 智慧體按每千次請求計費，標準檔 25 美元、並行思考低/高檔分別為 35 與 60 美元。   相較初代 Core 釋出時的 10/25 美元定價，Core 2 的單位價格已明顯下降，體現出「效率優先」的定價取向。企業還可選擇託管雲、本地、VPC 或完全離線（air-gapped）部署，部署靈活度接近傳統資料庫廠商。

• 5. 使用者評價 （共 282 字）

  Reka 的使用者口碑集中在兩類群體。一是需要原生影片/影象理解的企業客戶，如 Shutterstock、Turing Video 等使用 Reka Vision 做大規模影片與影象檢索；二是看重部署可控性的金融、醫療等行業客戶，離線部署與資料不出域是核心賣點。開發者普遍認為 Reka 的多模態原生能力真實可用，API 與 Python/JavaScript SDK 體驗順滑。   負面反饋主要來自社群聲量不足：公開基準、第三方復現與真實使用案例偏少，開發者在選型時缺乏足夠的中立參考。此外，Core 2 的具體引數量、訓練細節與獨立基準分數均未公開，資訊透明度弱於同檔競品，增加了企業的評估成本。

• 6. 行業評價 （共 330 字）

  行業普遍將 Reka 視為「小而精」的多模態模型廠商，認可其由資深研究科學家組成的小團隊能以遠低於巨頭的算力做出有競爭力的模型。第三方模型索引（aaas.blog）給 Reka Core 2 的質量與新鮮度評級較高（Quality A、Freshness A+），但採用度（C）與引用、參與度（均為 F）偏低，綜合指數僅 33，建議「謹慎使用」。這與 Reka 的企業定位相符：模型能力不弱，但生態與社群成熟度尚未建立。   與頭部模型對比，Reka Core 2 在文字/影象基準上接近 GPT-4、Claude、Gemini 同檔水平（初代 Core 的 MMLU 83.2、GSM8K 92.2、HumanEval 76.8 可作參照），影片理解是其相對優勢項；短板在於生態規模、工具呼叫與外部整合的豐富度。

• 7. 爭議與風險 （共 153 字）

  主要風險集中在三點。其一，透明度不足：Core 2 的引數量、訓練資料構成與獨立基準均未披露，企業需自行做充分 PoC 才能評估真實能力。其二，人才與生態波動：首席科學家 Yi Tay 於 2024 年底離職，核心團隊穩定性是長期變數。其三，市場聲量小導致社群資源、排障文件與中文資料稀缺，個人開發者或小團隊的上手成本偏高。

• 8. 適用人群與使用建議 （共 253 字）

  Reka Core 2 適合需要原生多模態（尤其影片/影象理解）、且對資料駐留與部署方式有硬性要求的企業客戶，例如媒體內容檢索、安防事件檢測、多模態客服與文件分析。它也適合已在使用 AWS Bedrock 並希望補充多模態能力的團隊，避免額外接入新供應商。   它不太適合追求最大社群生態、最豐富工具鏈或需要大量公開基準背書的個人開發者；若場景以純文字推理為主，同檔閉源模型的生態成熟度通常更高。替代方案包括 GPT-5.6 系列、Claude Opus、Gemini 系列，以及開源的 Qwen-VL、InternVL 等多模態模型。

• 9. 總結 （共 73 字）

  Reka Core 2 是一款能力紮實、部署靈活的企業級原生多模態旗艦模型，影片理解是其差異化長板，但生態規模與透明度仍是它走向更主流市場前必須補的課。

暫無深度報告

• 

  Noah.MooreIII

  —

  整體是能力紮實的企業級多模態模型，影片是長板，想要最全生態還是去抱 OpenAI。

---

• 

  Stephen_RamirezQ

  —

  說實話 Core 2 具體引數和獨立基準都不公開，選型時只能自己跑 PoC，透明度這塊確實扣分。我們內部對比了一圈，多模態尤其影片確實強，但純文字推理離一線旗艦有差距。如果你的核心需求就是影片和影象理解，它值得上，否則建議先看清楚再決定。

---

• 

  JoshuaAllen_2021

  —

  沒有 ChatGPT 那種聊天介面，純 API，想給團隊用得自己搭前端，門檻擺在那。

---

• 

  HaroldFoster77

  —

  我們安防場景用它做攝像頭事件檢測，連續影片理解比抽幀方案誤報少很多。之前用別的模型得先把影片切成一幀幀再識別，丟了大量時序資訊，Core 2 原生看影片之後，越界、逗留這類依賴前後文的行為識別準了不少，落地效果超預期。

---

• 

  BrianKelly_99

  —

  Reka Core 2 的影片理解是真能打。我們做體育集錦自動剪輯，之前用抽幀方案經常漏掉連續動作，換成 Core 2 直接喂整場錄影讓它按時間戳出高光片段，命中率高了一大截，後期人工補的工作量明顯少了。

---

• 

  xAmáliaCastro_x

  —

  首席科學家 Yi Tay 都回 DeepMind 了，長期團隊穩定性是個問號。

---

• 

  ATurner

  —

  在物理 AI 和機器人場景裡 Reka 是真首選。它不像很多大模型把影片當一堆靜止圖片處理，而是真的在統一潛空間裡理解動作序列和意圖，時序推理明顯更強。我們做機械臂演示，讓它看一段操作影片就能複述步驟，這種能力別家還真不一定有。

---

• 

  Brittany.Carter00761

  —

  價格還行，Core 2/6 每百萬 token，比 GPT 同檔便宜一截，但影片按分鐘另算，量大要算清賬單。

---

• 

  Lauren_PatelII6

  —

  n8n 社群節點出來了，媒體團隊用 Reka Clips 工作區做短影片切片方便不少。

---

• 

  Deborah_Sanders_752

  —

  影片問答偶爾會一本正經胡說八道，關鍵場景還是得人工複核，不能完全託管。

---

• 

  AngelaReed_202199

  —

  企業部署靈活度是它最大的賣點。我們金融客戶的資料必須不出域，Core 2 支援本地和完全離線部署，合規那邊一次就過了，這點比 OpenAI 和 Claude 好談太多。代價是得自己維護推理棧，小團隊沒運維的話還是走雲 API 省事。

---

• 

  Sharon_RuizZ09

  —

  透過 AWS Bedrock 也能調，已在用 Bedrock 的團隊接多模態不用再接新供應商，省事。

---

• 

  GGonzalezJr

  —

  程式碼能力還行，但 prompt 得寫仔細，它特別較真字面意思，新手容易翻車。

---

• 

  WRivera_202270

  —

  128K 上下文在 2026 年屬實有點寒酸，Google 都給到 2M 了，長文件 RAG 只能切片。

---

• 

  Alice_Fisher8

  —

  Reka Research 並行思考檔偏貴，最高 60 刀每千次請求，值不值見仁見智。

---

• 

  DonnaRoberts

  —

  原生多模態不是吹的，影象音訊影片文字統一處理，內容稽核一條管線通吃。

---

• 

  Alan.Thompson_Max

  —

  二十來人的小團隊做出這水平不容易，效率路線值得respect。

---

• 

  RachelBellQ

  —

  生態太小了，中文資料基本搜不到，排障全靠翻文件，個人開發者慎入。

暫無評論