Runway lanza el modelo de acción mundial de pesos abiertos Praxis-1 para robótica

Runway ha lanzado oficialmente Praxis-1, su modelo de acción mundial de 27 mil millones de parámetros diseñado para generar video y controlar acciones simultáneamente para sistemas de IA física. Lanzado con pesos abiertos bajo una licencia Apache 2.0, el modelo permite a los desarrolladores de hardware inspeccionar, adaptar y desplegar comercialmente políticas universales en humanoides, brazos industriales y configuraciones de almacén de doble brazo, según The Robot Report.

Qué pasó

Según The Robot Report, Praxis-1 es un transformador de difusión de mezcla de expertos (MoE) construido sobre el modelo base de video de Runway. Al predecir futuros fotogramas de video junto con acciones de control físico, el modelo aprovecha el video web en conjunto con datos de robots teleoperados para aprender la dinámica física antes de realizar un ajuste fino en el hardware. El modelo es accesible a través de GitHub, Hugging Face con soporte nativo para LeRobot, y vLLM-Omni, con inferencia alojada en Reactor. Se ejecuta de forma nativa en plataformas de computación de NVIDIA, incluyendo chips de centros de datos (H100, B200), GPU de estaciones de trabajo (RTX 5090, RTX PRO 6000) y hardware de borde como Jetson Thor en robots físicos.

Runway probó Praxis-1 en diversas encarnaciones de hardware con socios de lanzamiento iniciales. Noble Machines desplegó la política en un humanoide con patas para la manipulación industrial pesada, donde Andy Chen, jefe de robótica en Runway, comentó a The Robot Report que el modelo aprendió una tarea de carga de tablones en contenedores a partir de 30 minutos de datos de entrenamiento, logrando 15 de 15 ejecuciones exitosas. Sin embargo, cuando se le asignó la tarea de despejar un montón desordenado y desconocido de tablones en contenedores, su tasa de éxito cayó a seis de cada 10. Standard Bots probó la política en un brazo industrial de seis ejes para la atención de máquinas y paletizado, mientras que Ultra la desplegó en estaciones de empaque de doble brazo para almacenes.

En la prueba de rendimiento RoboLab-120, Praxis-1 alcanzó una tasa de éxito del 46.2% en 1,200 episodios, ubicándose en el quinto lugar general y convirtiéndose en la política de código abierto de extremo a extremo mejor clasificada en la tabla de clasificación, por delante de FLUX 3 Action (42.9%), Cosmos3 Nano (36.8%) y π0.5 (28.0%). Ajustado con precisión en el conjunto de datos de robots RT-1 de Google a través de SimplerEnv, Praxis-1 logró una tasa de éxito del 80.0%, en comparación con el 52.4% de la política RT-1 original.

Por qué importa para los líderes de robótica y automatización

Para los integradores de robótica pequeña y los líderes de automatización de fábricas, los modelos de pesos abiertos con licencias comerciales permisivas (Apache 2.0) ofrecen una alternativa crítica a las API propietarias en la nube. La capacidad de ajustar con precisión un único punto de control base de 27B en cinemáticas enormemente diferentes —que van desde un brazo de seis ejes hasta un empaquetador de doble brazo o un humanoide con patas— utilizando adaptación de bajo rango (LoRA) reduce la necesidad de construir políticas de control personalizadas desde cero para cada configuración de celda específica.

Sin embargo, los equipos operativos deben separar el rendimiento de las pruebas comparativas de la confiabilidad en producción. Si bien Praxis-1 logró un rendimiento perfecto en la colocación estructurada de tablones en pruebas controladas, su éxito se redujo al 60% al lidiar con pilas desordenadas y no estructuradas. En una fábrica o almacén en vivo, una tasa de falla del 40% en tareas variables genera graves paradas de línea y requiere una intervención manual constante. Los líderes de ingeniería deben tratar los modelos de acción de mundo abierto como políticas base sólidas para la creación rápida de prototipos y el ajuste fino de dominios, en lugar de reemplazos directos para planificadores de movimiento deterministas en entornos de alto rendimiento.

Qué hacer esta semana

1. Descargue los pesos de Praxis-1 y la base de código de ajuste fino desde GitHub o Hugging Face para evaluar los requisitos de memoria del modelo en comparación con su hardware de borde y configuraciones de estaciones de trabajo.

1. Ejecute un experimento de ajuste fino de adaptación de bajo rango (LoRA) utilizando de 30 a 60 minutos de video teleoperado de una rutina de celda específica y repetitiva, como la selección de piezas en contenedores o la atención de máquinas.

1. Audite sus tareas de implementación objetivo según la varianza de escena, estableciendo umbrales estrictos de respaldo manual para trabajos complejos o no estructurados donde las tasas de éxito de las políticas disminuyen.

Fuentes

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