Reka Edge

Reka Edge は Reka AI のマルチモーダルモデルで、api14 上にモデル ID rekaai/reka-edge として掲載されています。これは効率性のために作られた 7B の視覚言語モデルであり、非常に大きなモデルを動かさずにマルチモーダル理解を行いたい場合に重要になります。プロバイダーはこれを画像理解に特化して最適化されたものと説明しており、カタログ上はテキストカテゴリに位置づけられています。つまり、テキスト生成が主要な出力です。

入力側では、Reka Edge は画像、動画、テキストを受け取り、テキストを生成します。そのため、プロンプトが視覚メディアと文章による指示を組み合わせ、回答が散文、構造化テキスト、またはツール呼び出しとして返るワークロードに適しています。コンテキストウィンドウは入力と出力を合わせて 16,384 トークンで、最大出力は 14,745 トークンです。したがって、プロンプト用の余地を残しつつ、かなり長い生成を要求できます。サポートされるリクエストパラメータには temperature、top_p、top_k、frequency_penalty、presence_penalty、seed、stop、max_tokens、logprobs、top_logprobs が含まれるため、通常のサンプリング制御に加えてトークンレベルの確率を検査できます。

テキストと並んで画像および動画入力も扱うため、明らかなユースケースは、モデルが視覚コンテンツを一般的な言葉で説明するだけでなく、読み取る必要があるものです。スクリーンショットや文書画像の理解、画像内の内容の抽出または要約、動画クリップに関する質問への回答、テキストとメディアが混在するプロンプトを受け取るアシスタントの構築は、いずれも記載された機能から導かれます。structured_outputs パラメータにより、応答を機械可読な形へ誘導でき、tools と tool_choice により、モデルを関数呼び出しフローに組み込めるため、視覚入力を扱うエージェントの推論ステップとして機能させられます。

api14 経由での呼び出しは、OpenAI 互換エンドポイント上の他のモデルと同じように動作します。model フィールドを rekaai/reka-edge に設定したチャット補完リクエストを送信し、必要に応じてテキストおよび画像または動画コンテンツを含む messages を入れ、サポートされている任意のパラメータをリクエスト本文で渡します。別個の SDK や変換レイヤーは不要なので、既存の OpenAI クライアントコードは、モデル ID を変更し、該当する箇所にメディアペイロードを追加するだけで済みます。

留意すべき主な制約は 16,384 トークンのコンテキストです。入力に長い動画、大きな文書、または長く続くやり取りの履歴が含まれる場合、この予算はすぐに埋まるため、より大きなコンテキストを持つモデルのほうがタスクに適している可能性があります。Reka Edge は、テキスト専用モデルや非常に長いコンテキストを目的としたモデルではなく、構造化出力とツールサポートを備えて画像および動画理解を扱うコンパクトなマルチモーダルモデルが欲しい場合に最も有用です。