Reka 视频推理模型：通过改进评测，赛事选手识别准确率从 39.6% 跃升至 90.9%

AI 创业公司 Reka 近日通过官方 X 账号介绍了其多模态模型在真实世界视频理解上的最新进展，重点阐述了模型如何在复杂场景中完成空间定位、时序追踪、身份识别与判断等推理任务。Reka 在配文中给出了一个直观的例子：单帧画面中可能包含上千名火车站台上的行人，模型必须从中判断「谁才是关键目标」，这正是其在视觉推理方向的核心挑战之一。

在赛事转播场景中实现显著提升

Reka 披露的实验结果显示，其模型在赛车赛事广播中的「个体选手识别」基准上，Top-1 准确率由 39.6% 大幅跃升至 90.9%。这一提升并非源于参数规模的扩张，而是源自评测方法的改进——更合理的评估协议让模型既有能力得到更准确反映。Reka 强调，这一发现呼应了当前多模态研究社区的反思：在追求更大模型的同时，评测本身的质量同样至关重要。

四大核心能力组合

Reka 将模型在真实视频中的推理能力归纳为四个维度：

• 空间定位（spatial grounding）：让模型理解目标在画面中的位置与上下文；
• 时序追踪（temporal tracking）：跨帧持续锁定同一目标的运动轨迹；
• 身份识别（identity）：在外观、姿态变化下区分不同个体；
• 判断（judgment）：根据场景语义判断哪些目标值得关注。

这四类能力共同构成了 Reka 对「真实世界视频推理」的理解框架，也为其后续在自动驾驶、体育分析、安防监控等场景的应用提供了基础。

评测方法成为新的竞争维度

Reka 此次强调的关键信息在于：模型能力的进步不再单纯依赖参数堆叠或算力扩张，科学的评测设计同样可以释放已有模型的潜力。这一观点与近期业内多家机构对评测偏差、benchmark 污染等问题的讨论形成呼应，意味着行业正逐步把「如何衡量模型」本身视为一项核心技术议题。

更多技术细节可在 Reka 官方博客中查阅。