Reka发布Edge 2603：7B视觉语言模型，一张图只烧331个token

Reka 于 10 月 9 日发布 Edge 2603，一款约 70 亿参数的视觉语言模型（VLM），主打"前沿智能应当快速、轻量、可部署到任何地方"。与今年动辄万亿参数的旗舰模型不同，Edge 2603 的定位是塞进机器人、手机、没有独立显卡的笔记本里——在摄像头和屏幕面前做实时感知与决策。

来源：AI Weekly、LumiChats 等公开报道与 Reka 官方模型卡。

极致的 token 效率

Edge 2603 的核心设计目标，是尽可能少地消耗 token 来编码摄像头看到的内容——因为边缘设备每多处理一个 token，都要付出延迟和电量的代价。

Reka 给出的数据是：一张 1024×1024 的图像，Edge 2603 只用 331 个输入 token 就能编码；而同等分辨率下，Nvidia 的 Cosmos-Reason2 8B 需要 1063 个、Qwen 3.5 9B 需要 1041 个、Gemini 3 Pro 需要 1094 个。换句话说，它用大约三分之一的 token 完成了同样的视觉编码工作。

更少的 token 直接换来更快的响应。Reka 公布的端到端推理时延为单请求 4.69 秒，对比 Gemini 3 Pro 的 16.67 秒；在批量测试下，Edge 2603 的吞吐约为每秒 5.46 张图。

基准表现

Reka 随发布一并公开了多项基准：VQA-V2 视觉问答 88.40 分、MLVU 长视频理解 74.30 分、RefCOCO-A 目标定位检测 93.13 分。其中 RefCOCO-A 衡量的是"按描述在图中找到物体"的能力——这正是机械臂或手机相机类应用真正需要的技能。此外官方还提到在 MMVU 多模态视频理解、VideoHallucer 幻觉测试，以及移动端动作类工具调用任务上与 Cosmos-Reason2 8B、Qwen 3.5 9B、Gemini 3 Pro 有可竞争的表现。

它的上下文窗口为 16384 token，并支持工具调用（tool calling）。相比旗舰模型动辄百万 token 的窗口，这个数字很朴素，但对边缘设备真正运行的"看一帧、描述或分类、决定动作、循环往复"这类短促重复的感知—行动回路来说，已经足够。

为边缘硬件而生

Edge 2603 明确优化了一批"没有数据中心在背后撑着"的硬件：Nvidia Jetson Thor、Jetson AGX Orin，以及 24GB 以上内存的 Apple Silicon Mac。通过量化构建，它还能扩展到 Jetson Orin Nano、三星 S25 和 iPhone。

4-bit 量化把显存占用从 13GB 大幅压到 5GB，同时保留超过 98% 的原始性能——这基本决定了它能否真正落进手机和开发板。

部署侧，Reka 发布了一个官方 vLLM 插件，让团队可以用熟悉的服务化路径把模型接进"视觉感知 + 结构化工具响应"的多模态流水线。API 定价为输入/输出每百万 token 0.10 美元。

许可是需要注意的门槛

Edge 2603 在自定义 Reka 许可下开源权重：年收入低于 100 万美元的组织可以免费商用；超过这条线的企业则需要单独谈授权协议，模型卡没有给出价格。Hugging Face 页面显示过去一个月下载量为 688 次。

它降生在一周密集的开源多模态模型投放之中——同期还有 Cloudflare 的 Clef-omni 与 OneSearch-VL 8B 等。对于想在机器人、手机或端侧助手上做"看屏幕/看相机然后行动"的团队，Edge 2603 提供了一条明显更轻、更便宜的路径，但是否真的比通用大模型更适合你的场景，仍建议拿自己的图片和提示词直接实测，而不是只看发布稿的数字。