Runway veröffentlicht Open-Weight-Weltaktionsmodell Praxis-1 für Robotik

Runway hat offiziell Praxis-1 veröffentlicht, sein Weltaktionsmodell mit 27 Milliarden Parametern, das darauf ausgelegt ist, gleichzeitig Videos und Steuerungsaktionen für physische KI-Systeme zu generieren. Das Modell wurde laut The Robot Report mit offenen Gewichtungen unter einer Apache-2.0-Lizenz veröffentlicht und ermöglicht Hardwareentwicklern die Überprüfung, Anpassung und kommerzielle Bereitstellung universeller Richtlinien für Humanoide, industrielle Arme und Lager-Doppelarm-Setups.

Was passiert ist

Laut The Robot Report ist Praxis-1 ein Mixture-of-Experts-Diffusions-Transformer (MoE), der auf Runways Videogrundlagenmodell aufbaut. Indem das Modell zukünftige Videoframe neben physischen Steuerungsachsen vorhersagt, nutzt es Web-Videos zusammen mit ferngesteuerten Roboterdaten, um physikalische Dynamiken vor der Hardware-Feinabstimmung zu erlernen. Das Modell ist über GitHub, Hugging Face mit nativer LeRobot-Unterstützung und vLLM-Omni zugänglich, wobei gehostete Inferenz auf Reactor bereitgestellt wird. Es läuft nativ auf NVIDIA-Rechenplattformen, einschließlich Rechenzentrumschips (H100, B200), Workstation-GPUs (RTX 5090, RTX PRO 6000) und Edge-Hardware wie Jetson Thor auf physischen Robotern.

Runway testete Praxis-1 mit frühen Launch-Partnern an verschiedenen Hardware-Ausprägungen. Noble Machines setzte die Richtlinie auf einem beinbasierten Humanoiden für die schwere Industriehandhabung ein, wo Andy Chen, Leiter der Robotik bei Runway, gegenüber The Robot Report angab, dass das Modell eine Aufgabe zum Beladen von Containerplanken anhand von 30 Minuten Trainingsdaten erlernte und dabei 15 von 15 erfolgreichen Ausführungen erzielte. Als es jedoch damit beauftragt wurde, einen ungesehenen, unordentlichen Haufen von Planken in Behälter zu räumen, sank die Erfolgsquote auf sechs von 10. Standard Bots testete die Richtlinie an einem sechsachsigen Industrierarm für die Maschinenbeschickung und Palettierung, während Ultra sie an Doppelarm-Lagerverpackungsstationen einsetzte.

Beim RoboLab-120-Benchmark erreichte Praxis-1 eine Erfolgsquote von 46,2 % über 1.200 Episoden hinweg, belegte den fünften Platz insgesamt und ist damit die am höchsten eingestufte Open-Source-End-to-End-Richtlinie in der Bestenliste vor FLUX 3 Action (42,9 %), Cosmos3 Nano (36,8 %) und π0.5 (28,0 %). Nach einer Feinabstimmung mit Googles RT-1-Roboterdatensatz über SimplerEnv erreichte Praxis-1 eine Erfolgsquote von 80,0 %, verglichen mit 52,4 % für die ursprüngliche RT-1-Richtlinie.

Warum das für Robotik- und Automatisierungsverantwortliche wichtig ist

Für kleine Robotik-Integratoren und Fabrikautomatisierungsverantwortliche bieten Open-Weight-Modelle mit einer permissiven kommerziellen Lizenz (Apache 2.0) eine entscheidende Alternative zu proprietären Cloud-APIs. Die Fähigkeit, einen einzigen 27B-Grundlagen-Checkpoint über stark unterschiedliche Kinematiken hinweg – von einem Sechsachsarm bis hin zu einem Doppelarm-Verpacker oder einem beinbasierten Humanoiden – mittels Low-Rank Adaptation (LoRA) feinabzustimmen, reduziert die Notwendigkeit, für jede spezifische Zellenkonfiguration eigene Steuerungsrichtlinien von Grund auf neu zu erstellen.

Betriebsteams müssen jedoch die Benchmark-Leistung von der Produktionszuverlässigkeit trennen. Während Praxis-1 bei strukturierten Plankenplatzierungen in kontrollierten Tests eine perfekte Leistung erzielte, fiel sein Erfolg beim Umgang mit unstrukturierten, unordentlichen Haufen auf 60 %. In einer realen Fabrik oder einem echten Lager führt eine Ausfallrate von 40 % bei variablen Aufgaben zu schweren Bandstillständen und erfordert ständige manuelle Eingriffe. Ingenieurverantwortliche sollten offene Weltaktionsmodelle eher als starke Ausgangsrichtlinien für schnelles Prototyping und Domänen-Feinabstimmung betrachten als als direkten Ersatz für deterministische Bewegungsplaner in Umgebungen mit hohem Durchsatz.

Was diese Woche zu tun ist

1. Laden Sie die Praxis-1-Gewichtungen und die Feinabstimmungs-Codebasis von GitHub oder Hugging Face herunter, um die Speicheranforderungen des Modells mit Ihrer Edge-Hardware- und Workstation-Konfiguration abzugleichen.

1. Führen Sie ein Experiment zur Feinabstimmung mittels Low-Rank Adaptation (LoRA) unter Verwendung von 30 bis 60 Minuten ferngesteuertem Video aus einer spezifischen, repetitiven Zellenroutine wie dem Greifen in Behälter oder der Maschinenbeschickung durch.

1. Überprüfen Sie Ihre Zielbereitstellungsaufgaben anhand der Szenenvarianz und legen Sie strenge manuelle Fallback-Schwellenwerte für komplexe oder unstrukturierte Aufträge fest, bei denen die Erfolgsraten der Richtlinie sinken.

Quellen

• Runway’s Praxis-1 world action model for robotics is now available — The Robot Report