Reka

Reka est une entreprise d'IA fondée en 2022 par des chercheurs de Google DeepMind, Meta et Baidu, dirigée par le PDG Dani Yogatama et le scientifique en chef Yi Tay, qui ont précédemment dirigé le développement de PaLM et UL2 chez Google. L'entreprise conçoit une famille de modèles de langage multimodaux entraînés de zéro, ce qui signifie que chaque modèle de sa gamme traite le texte, les images, la vidéo et l'audio comme des entrées natives de premier plan, et non via des adaptateurs a posteriori. La proposition de valeur principale de Reka est d'apporter un raisonnement multimodal de pointe aux entreprises qui ont besoin de flexibilité de déploiement : cloud, sur site (on-premise), isolé dans un VPC ou totalement déconnecté (air-gapped).

La gamme actuelle comprend quatre niveaux de modèles. Reka Core (67B) est le modèle phare, capable de gérer des tâches de raisonnement complexes sur les quatre modalités d'entrée avec une fenêtre de contexte de 128 000 tokens. Reka Flash (21B) est le niveau axé sur le rapport coût-performance : la variante Flash 3 a été publiée en open source en mars 2025 sous licence Apache 2.0, la rendant disponible pour des déploiements auto-hébergés. Reka Edge (7B) cible l'inférence en temps réel sur du matériel contraint, et Reka Spark (1B) est conçu pour l'intégration sur appareil (on-device). Tous les modèles sont accessibles via une API RESTful avec des SDK Python et JavaScript, et la plateforme Reka Vision de l'entreprise gère la recherche de vidéos et d'images à grande échelle pour des clients professionnels tels que Shutterstock et Turing Video.

Reka en un coup d'œil, avril 2026

La famille de modèles de Reka comprend actuellement quatre modèles en production. Reka Core est le modèle phare de 67B, entraîné de zéro sur 5 billions de tokens dédupliqués dans 32 langues avec une fenêtre de contexte de 128K. Reka Flash 21B a été le premier modèle à attirer l'attention de la communauté lorsqu'il a égalé Gemini Pro sur les benchmarks MMLU et GPQA, bien qu'il ait été entraîné par une équipe d'environ 20 chercheurs. Reka Flash 3, publié en open source en mars 2025 sous licence Apache 2.0, rivalise avec QwQ-32B avec 34 % de paramètres en moins et prend en charge un contexte de 32K. Flash 3.1 a suivi en juillet 2025 avec des améliorations liées à l'apprentissage par renforcement. Reka Edge (7B) est le modèle de vision-langage le plus rapide de sa catégorie pour ce nombre de paramètres, surpassant Gemma 7B et Mistral 7B sur les tâches multimodales. Reka Spark (1B) cible les déploiements embarqués sur des sous-appareils.

Côté produits, Reka propose trois surfaces d'accès : la Chat API pour des interactions de type LLM avec des entrées multimodales, la Research API (reka-flash-research) pour des tâches de raisonnement multi-étapes de type agent avec des modes de réflexion parallèle, et Reka Vision pour la recherche de vidéos et d'images à grande échelle. Les modes de déploiement incluent l'API, le cloud géré, le sur-site (on-prem), le VPC et le mode déconnecté (air-gapped), offrant à Reka un profil de flexibilité de déploiement plus proche des fournisseurs de bases de données d'entreprise que d'OpenAI ou de Google.

Les véritables points forts de Reka

Le véritable atout de Reka est la compréhension native de la vidéo. Lors de la publication du rapport technique de Core en avril 2024, Reka Core a obtenu un score de 59.3% sur le benchmark vidéo Perception Test, devançant Gemini Ultra à 58.7%. GPT-4o ne traite pas du tout les clips vidéo continus de manière native, ne gérant que les images extraites. Pour les entreprises qui ont besoin d'interroger de vastes archives vidéo, d'indexer des images de vidéosurveillance ou d'exécuter des inférences sur des bibliothèques multimédias, Reka Core et Reka Vision sont conçus sur mesure d'une manière que les modèles de pointe généralistes ne sont pas.

La sortie open source de Reka Flash 3 est l'autre carte maîtresse. Les développeurs qui souhaitent un modèle de raisonnement performant de 21B qu'ils peuvent exécuter sur site, auto-héberger, affiner (fine-tune) et modifier sans restrictions de licence disposent désormais d'une option Apache 2.0 qui se compare favorablement aux modèles propriétaires de sa catégorie de poids. Le score MMLU-Pro de 65.0 et le solide raisonnement mathématique sur AIME-2024 le placent dans un territoire crédible pour le codage, le suivi d'instructions et les tâches d'appel de fonctions.

Le multilinguisme est également un véritable différenciateur. Avec la prise en charge de 32 langues et de solides performances sur les benchmarks de traduction (83.2 sur COMET WMT'23 pour Flash 3), Reka est très compétitif dans les déploiements où la couverture des langues européennes et asiatiques est importante en plus des tâches de vision.

"Nous sommes ravis de nous associer à Reka pour offrir aux clients les performances impressionnantes et de pointe de Reka Core via Snowflake Cortex." - Baris Gultekin, responsable de l'IA chez Snowflake, communiqué de presse de Reka, 15 avril 2024

"Les modèles multimodaux et multilingues dynamiques de Reka permettent aux entreprises de tirer davantage de valeur de leurs données." - Greg Pavlik, vice-président principal de l'IA et de la gestion des données chez Oracle, communiqué de presse de Reka, 15 avril 2024

Les limites de Reka : les points de blocage rencontrés par les utilisateurs

La limite de vidéo du playground est la première frustration qui ressort des discussions entre praticiens. L'interface chat.reka.ai restreint les téléchargements de vidéos à 30MB et à une minute. Pour les professionnels des médias ou les équipes d'entreprise effectuant des tests avec des séquences réelles, il s'agit d'un mur infranchissable qui oblige à passer à l'API avant de pouvoir procéder à une évaluation significative.

La personnalisation pour les entreprises (fine-tuning, déploiement sur site, isolation VPC) n'est pas en libre-service. Il n'y a pas de tarification transparente pour tout ce qui dépasse les coûts standard des tokens d'API. Les équipes qui ont besoin d'un déploiement sur mesure doivent contacter le service commercial, assister à des démonstrations et négocier un contrat avant de pouvoir évaluer si Reka correspond réellement à leur charge de travail, créant ainsi des mois de friction par rapport à Google Vertex AI ou AWS Bedrock.

La profondeur de l'écosystème est faible par rapport à OpenAI et Google. Les tutoriels créés par la communauté, les intégrations tierces, les plugins LangChain et les benchmarks publics faisant référence à Reka sont rares. Un développeur choisissant un modèle pour un nouveau projet trouvera beaucoup plus d'outils préconçus pour GPT-4o ou Gemini que pour n'importe quel modèle Reka. Reka Flash 3 a commencé à changer la donne pour la communauté open source, mais les modèles de niveau propriétaire restent sous-documentés en dehors des canaux officiels.

La date limite des connaissances (knowledge cutoff) est une autre lacune. La date limite des données d'entraînement de Reka Core est novembre 2023, ce qui était déjà daté lors de son lancement en avril 2024 et devient de plus en plus obsolète en 2026. OpenAI et Google actualisent tous deux les dates limites de connaissances de leurs modèles de manière plus agressive.

Enfin, les modes de réflexion parallèle de la Research API s'accompagnent d'un multiplicateur de coût élevé : $35 pour mille requêtes pour une réflexion parallèle "faible" (low) contre $25 en standard, et $60 pour mille pour une réflexion parallèle "élevée" (high). Les équipes qui explorent des flux de travail d'agents de manière occasionnelle peuvent se retrouver avec des factures étonnamment élevées.

Reka vs. GPT-4o vs. Gemini 1.5 Pro

Architecture et traitement vidéo. GPT-4o est un transformer omnimodal estimé à environ 200B de paramètres. Il traite nativement le texte, les images et l'audio, mais le traitement vidéo dans GPT-4o fonctionne sur des images extraites plutôt que sur des flux vidéo continus. Reka Core traite les clips vidéo complets comme une modalité continue, ce qui constitue une différence architecturale significative pour les tâches de surveillance, de médias ou d'analyse vidéo scientifique. La fenêtre de contexte de Reka Core est de 128K tokens, égalant celle de GPT-4o. La tarification au lancement était comparable ($10/$25 par 1M de tokens en entrée/sortie), mais Reka a depuis baissé le prix de Core à $2.00/$6.00 par 1M de tokens, en dessous des $2.50/$10.00 de GPT-4o. OpenAI ne propose pas de déploiement sur site ; Reka le fait.

Fenêtre de contexte et déploiement. Gemini 1.5 Pro détient l'avantage architectural qui compte le plus pour le travail d'entreprise sur des documents longs : une fenêtre de contexte de 1 million de tokens, soit environ 8 fois les 128K de Reka Core. Gemini 1.5 Pro accepte également les entrées vidéo natives avec des clips allant jusqu'à une heure, par rapport à la limite d'une minute du playground de Reka et au plafond de plusieurs minutes de l'API. C'est sur le coût que Gemini prend encore plus d'avance pour un usage occasionnel : Gemini 1.5 Flash à $0.075/$0.30 par 1M de tokens est considérablement moins cher que Reka Flash à $0.80/$2.00. Cependant, Gemini est exclusivement disponible via Google Cloud (Vertex AI) et n'a pas d'option sur site. Reka prend en charge le déploiement d'entreprise déconnecté (air-gapped) que Google ne peut pas égaler. Sur le benchmark de perception vidéo d'avril 2024, Reka Core a légèrement devancé Gemini Ultra (59.3% contre 58.7%), bien que les modèles ultérieurs de Gemini aient continué à progresser.

Poids ouverts (Open weights). Ni GPT-4o ni Gemini 1.5 Pro ne publient leurs poids publiquement. Reka Flash 3 (21B, Apache 2.0) est téléchargeable depuis Hugging Face et peut être auto-hébergé, affiné et modifié. Il s'agit d'une différenciation concrète pour les organisations ayant des exigences de souveraineté des données ou les équipes qui ne peuvent pas acheminer de données sensibles via des API tierces.

La version payante en vaut-elle la peine ?

La tarification par token de Reka est honnête et basée sur l'utilisation (pay-as-you-go) sans engagement initial. Les nouveaux comptes reçoivent $20 de crédits gratuits, ce qui est suffisant pour des tests significatifs. Pour les charges de travail textuelles standard, Reka Flash à $0.80/$2.00 par 1M de tokens est compétitif par rapport aux modèles de milieu de gamme, bien que Gemini 1.5 Flash soit nettement moins cher. Reka Core à $2.00/$6.00 par 1M de tokens est moins cher que Claude 3 Opus et comparable à GPT-4o, mais sans la profondeur de l'écosystème.

L'aspect économique joue en faveur de Reka dans trois scénarios : (1) l'inférence vidéo, où Reka Core à $0.08 par minute de vidéo est tarifé pour une utilisation à l'échelle de la production ; (2) les déploiements sur site où Reka Flash 3, en tant que modèle à poids ouverts sous Apache 2.0, élimine entièrement les coûts d'API par token pour les équipes auto-hébergées ; et (3) les charges de travail d'entreprise multilingues dans les langues asiatiques ou européennes où l'entraînement en 32 langues de Reka porte ses fruits.

La structure tarifaire de la Research API ($25-60 pour mille requêtes selon le mode de réflexion) est mieux comprise comme un coût de pipeline d'agents plutôt que comme un coût d'API de chat. Pour des requêtes uniques, c'est cher ; pour remplacer le flux de travail d'un analyste de recherche humain, le calcul est différent. La tarification d'entreprise pour les déploiements sur mesure nécessite un appel commercial et n'est pas publique.

Meilleurs cas d'usage (et quand l'éviter)

Utilisez Reka lorsque : Votre application dépend de la compréhension vidéo native à grande échelle, vous avez besoin d'une inférence multimodale avec un déploiement sur site ou déconnecté, vous souhaitez un modèle de raisonnement de 21B sous Apache 2.0 que vous pouvez auto-héberger sans dépendance vis-à-vis d'un fournisseur, ou vous créez des applications multilingues nécessitant une forte couverture des langues asiatiques et européennes en plus des capacités de vision. Les entreprises de médias, les équipes de sécurité d'entreprise, les organismes de santé traitant l'imagerie en parallèle des dossiers des patients, et les entreprises minières ou manufacturières disposant de données de capteurs riches en vidéos sont les clients naturels de Reka.

Évitez Reka lorsque : Vous avez besoin d'une fenêtre de contexte de plus de 1M de tokens pour le travail sur des documents longs (utilisez Gemini 1.5 Pro). Vous avez besoin du plus vaste écosystème d'intégrations tierces et de tutoriels (utilisez GPT-4o). Vous êtes un utilisateur individuel souhaitant un assistant conversationnel pour les tâches quotidiennes (ChatGPT Plus est plus adapté). Votre équipe manque de ressources en ingénierie pour intégrer une API brute, ou votre budget exige de rester dans une plateforme verticalement intégrée (Google AI Studio ou ChatGPT Enterprise d'OpenAI sont des points de départ plus simples). Les charges de travail uniquement textuelles et sensibles aux coûts trouveront peut-être Gemini Flash ou des alternatives basées sur Llama moins chères.

Premiers pas avec Reka

L'API de Reka est disponible sur docs.reka.ai avec des SDK Python et JavaScript. Les nouveaux comptes obtiennent $20 de crédits, ce qui est suffisant pour tester Core, Flash et Spark sur des entrées de texte et d'images avant d'engager des dépenses. Le Reka Playground sur chat.reka.ai offre un accès via navigateur pour tester les entrées multimodales (notez la limite vidéo de 30MB/1 minute dans le playground). Pour l'approche à poids ouverts, Reka Flash 3 et Flash 3.1 sont disponibles sur Hugging Face sous licence Apache 2.0. Les poids du modèle se téléchargent à 39GB (fp16) ou 11GB avec une quantification 4 bits, ce qui permet d'exécuter Flash 3 sur un seul GPU A100. Les déploiements d'entreprise sur site ou dans un VPC nécessitent de contacter l'équipe commerciale de Reka via reka.ai.