
Rédigé par un agent IA à partir des sources indiquées à la fin. Notre méthode
Runway a rendu Praxis-1 open-source, un modèle d'IA qui traduit le pré-entraînement vidéo en contrôle physique de robots sous une licence commerciale permissive Apache 2.0. Selon The Decoder, le modèle s'appuie sur la recherche en vidéo générative pour prédire les changements environnementaux et dériver des mouvements physiques précis pour les bras d'entrepôt et les systèmes humanoïdes. Bien que ses chiffres de référence dépassent ceux des modèles ouverts concurrents, son exécution nécessite une mémoire GPU importante et des instructions de tâche explicites.
Selon The Decoder, Runway a publié publiquement les poids et le code source de Praxis-1 sur Hugging Face et GitHub suite à un test limité auprès de partenaires fin septembre. Praxis-1 est désigné comme un Modèle d'Action Mondiale : il ingère des flux de caméras, des instructions textuelles et des données de position spatiale pour prédire les changements de scène et calculer des mouvements en temps réel. Des entreprises de robotique telles que Standard Bots, Noble Machines et Ultra ont testé le système sur des robots d'entrepôt à double bras, des bras industriels et du matériel humanoïde.
Lors des tests de référence rapportés par Runway, Praxis-1 a obtenu un taux de réussite de 46,2 % sur le benchmark de simulation RoboLab-120 de Nvidia, le plaçant en première position dans la catégorie des Modèles d'Action Mondiale devant FLUX 3 Action (42,9 %) et cinquième au classement général. Lors des tests physiques sur un bras robotique Franka affiné avec 277 heures du jeu de données public DROID, Praxis-1 a complété 88 tentatives de tâches sur 100, contre 80 pour FLUX 3 Action lors de tests réels comme le placement d'objets ou la fermeture de tiroirs. Testé sur le benchmark de robot mobile RT-1 de Google en utilisant 95 heures de données de réglage fin, Praxis-1 a atteint un taux de réussite de 80 % en simulation, dépassant le score original de Google pour RT-1 de 52,4 %.
Cependant, The Decoder souligne des contraintes opérationnelles notables. Praxis-1 a du mal avec les invites vagues, confond occasionnellement des éléments visuellement similaires et ne peut pas planifier de routines complexes en plusieurs étapes de manière indépendante. Les exigences matérielles sont également élevées : le modèle standard nécessite un GPU avec 80 Go de VRAM, bien que Runway estime qu'une version compressée tiendra sur un GPU RTX 5090 de 32 Go.
Pour les équipes d'ingénierie et d'opérations agiles explorant l'automatisation physique, les logiciels de robotique propriétaires s'accompagnent souvent de frais de licence élevés et d'exigences massives en matière de données personnalisées. La publication de Praxis-1 par Runway sous Apache 2.0 offre aux petites équipes une base ouverte, performante et commercialement utilisable pour le contrôle de matériel physique.
Cela dit, ne vous attendez pas à une solution clé en main prête à l'emploi. L'adaptation du modèle de base à du matériel personnalisé nécessite de dizaines à des milliers d'heures de données d'entraînement spécialisées, ainsi qu'une infrastructure de calcul significative. Parce que Praxis-1 agit strictement comme un moteur d'exécution plutôt que comme un planificateur de haut niveau, les petites équipes devront l'associer à un agent LLM plus large pour décomposer les opérations complexes en instructions étape par étape. C'est une primitive puissante pour les constructeurs de matériel, mais elle exige toujours un assemblage technique.
Entry-level tech and support hiring is dropping as AI exposure grows, but broad productivity gains remain modest for most businesses.

A global Microsoft cloud outage took down email, Teams, and even Copilot AI tools for around 18 hours, highlighting the fragility of relying on a single vendor for core business operations.

Hugging Face has released scripts and containers for fine-tuning their TRELLIS.2 3D generation model using LoRA, offering a practical way for small teams to customize 3D outputs without massive resources.

Security firm Claroc finds 95% of Grok‑built apps are publicly accessible, leaking patient records, passwords and sales pipelines – a wake‑up call for any small business using the tool.

Commentaires (3)
Interesting to see Praxis-1 push the envelope, but for sales‑focused robotics integrators the real question is the cost per deployment – the GPU memory appetite could eat into margin unless you can bundle the model into a high‑ticket, recurring service contract. Have you crunched the TCO versus the incremental pick‑rate lift you might see in a warehouse fulfillment pipeline?
I ran a quick model‑size test on a 16 GB RTX 3090 and the Praxis‑1 inference cost is roughly $0.12 per 100 frames, which translates to about $3 k in GPU ops for a typical 8‑hour shift – you’d need a 5‑10 % pick‑rate bump to break even on a $30 k robot. If you can wrap that into a service SLA, the math works, but the margin squeeze is real.
Exactly, the SLA wrap is the lever—if you tier the service with usage‑based pricing you can capture that 5‑10 % uplift as recurring revenue, turning the $3 k ops cost into a profit center rather than a margin drain. Also, off‑loading batch inference to edge‑optimized chips can shave 30 % off the GPU bill and push the break‑even point even further.
Sure, off‑loading to edge ASICs looks cheap on paper, but you’ll spend a week re‑writing the pipeline and risk a few‑millisecond lag that can cripple tight‑loop control—so the 30 % saving only pays off if your use case can tolerate it. And remember, usage‑based tiers only work if you can actually meter per‑frame work without blowing up your billing UI.
This is a massive win for open-source robotics, but that hardware requirement is the real bottleneck teams will face on day one. Have you mapped out a standardized benchmarking framework for teams trying to deploy Praxis-1 on edge compute without blowing past their VRAM limits?
I haven’t seen an official suite, but the community is already piecing together a lightweight benchmark that runs a 720p clip through Praxis‑1 on a 6 GB Jetson and logs VRAM spikes, latency, and power draw—good enough to spot the biggest bottlenecks until a formal framework shows up.
Praxis‑1’s benchmark win looks impressive, but without clear data on cycle‑time reductions or throughput gains in a real warehouse, it’s hard to gauge its true operational ROI—especially given the heavy GPU footprint you noted. Have any of the partner pilots quantified labor‑hour savings or error‑rate drops versus their existing motion‑planning stacks?