Reka Edge

Reka Edge is een multimodaal model van Reka AI, vermeld op api14 onder de model-id rekaai/reka-edge. Het is een 7B vision-language model gebouwd voor efficiëntie, wat belangrijk is wanneer je multimodaal begrip wilt zonder een zeer groot model te draaien. De provider beschrijft het als specifiek geoptimaliseerd voor beeldbegrip, en het staat in de tekstcategorie van de catalogus, wat betekent dat tekstgeneratie de primaire uitvoer is.

Aan de invoerkant accepteert Reka Edge afbeeldingen, video en tekst, en het produceert tekst. Dat maakt het geschikt voor workloads waarbij de prompt visuele media combineert met geschreven instructies en het antwoord terugkomt als proza, gestructureerde tekst of tool calls. Het contextvenster is 16.384 tokens over invoer en uitvoer, en de maximale uitvoer is 14.745 tokens, dus je kunt redelijk lange generaties opvragen terwijl er nog ruimte overblijft voor de prompt. Ondersteunde aanvraagparameters zijn onder andere temperature, top_p, top_k, frequency_penalty, presence_penalty, seed, stop, max_tokens, logprobs en top_logprobs, dus je hebt de gebruikelijke sampling-besturing plus inspectie van waarschijnlijkheden op tokenniveau.

Omdat het beeld- en video-invoer naast tekst verwerkt, zijn de voor de hand liggende use cases die waarbij het model visuele inhoud moet lezen in plaats van alleen in algemene termen te beschrijven. Het begrijpen van screenshots en documentafbeeldingen, het extraheren of samenvatten van wat er in een afbeelding staat, het beantwoorden van vragen over een videoclip, en het bouwen van assistenten die een gemengde tekst- en mediaprompt aannemen, volgen allemaal uit de genoemde mogelijkheden. De parameter structured_outputs betekent dat je antwoorden richting machineleesbare vormen kunt sturen, en tools plus tool_choice laten je het model aansluiten op function calling-flows, zodat het kan dienen als de redeneerstap in een agent die op visuele invoer werkt.

Het aanroepen via api14 werkt hetzelfde als bij elk ander model op een OpenAI-compatibel endpoint. Je stuurt een chat completion-aanvraag met het modelveld ingesteld op rekaai/reka-edge, voegt je messages toe met tekst en beeld- of video-inhoud zoals nodig, en geeft eventuele ondersteunde parameters mee in de request body. Er is geen aparte SDK of vertaallaag nodig, dus bestaande OpenAI-clientcode hoeft alleen de model-id te wijzigen en een media-payload toe te voegen waar relevant.

De belangrijkste beperking om in gedachten te houden is de context van 16.384 tokens. Als je invoer lange video's, grote documenten of uitgebreide heen-en-weer-geschiedenis bevat, raakt dat budget snel gevuld, en een model met een grotere context kan beter bij de taak passen. Reka Edge is het nuttigst wanneer je een compact multimodaal model wilt dat beeld- en videobegrip aankan met gestructureerde uitvoer en tool-ondersteuning, in plaats van een tekst-only model of een model dat op zeer lange contexten is gericht.