Runway rilascia Praxis-1, il modello d'azione mondiale open-weight per la robotica

Runway ha rilasciato ufficialmente Praxis-1, il suo modello d'azione mondiale da 27 miliardi di parametri progettato per generare video e controllare azioni simultaneamente per i sistemi di IA fisica. Rilasciato con pesi aperti sotto licenza Apache 2.0, il modello consente agli sviluppatori di hardware di ispezionare, adattare e distribuire commercialmente politiche universali su umanoidi, bracci industriali e configurazioni da magazzino a doppio braccio, secondo quanto riportato da The Robot Report.

Cosa è successo

Secondo The Robot Report, Praxis-1 è un transformer di diffusione a mixture-of-experts (MoE) basato sul modello fondamentale video di Runway. Predicendo futuri fotogrammi video insieme ad azioni di controllo fisico, il modello sfrutta i video web insieme ai dati di robot teleoperati per apprendere le dinamiche fisiche prima della messa a punto dell'hardware. Il modello è accessibile tramite GitHub, Hugging Face con supporto nativo per LeRobot e vLLM-Omni, con inferenza ospitata fornita su Reactor. Funziona in modo nativo su piattaforme di calcolo NVIDIA, inclusi chip per data center (H100, B200), GPU per workstation (RTX 5090, RTX PRO 6000) e hardware edge come Jetson Thor su robot fisici.

Runway ha testato Praxis-1 su diverse incarnazioni hardware con i primi partner di lancio. Noble Machines ha implementato la politica su un umanoide bipede per la movimentazione industriale pesante, dove Andy Chen, responsabile della robotica presso Runway, ha dichiarato a The Robot Report che il modello ha appreso un'attività di carico di assi in container da 30 minuti di dati di addestramento, ottenendo 15 esecuzioni riuscite su 15. Tuttavia, quando gli è stato chiesto di liberare un mucchio disordinato e non visto di assi mettendole nei contenitori, il tasso di successo è sceso a sei su 10. Standard Bots ha testato la politica su un braccio industriale a sei assi per il servoassistenza alle macchine e la pallettizzazione, mentre Ultra l'ha implementata su stazioni di imballaggio da magazzino a doppio braccio.

Sul benchmark RoboLab-120, Praxis-1 ha raggiunto un tasso di successo del 46,2% su 1.200 episodi, classificandosi al quinto posto assoluto e diventando la politica end-to-end open-source con il ranking più alto nella classifica, davanti a FLUX 3 Action (42,9%), Cosmos3 Nano (36,8%) e π0.5 (28,0%). Messo a punto sul set di dati per robot RT-1 di Google tramite SimplerEnv, Praxis-1 ha raggiunto un tasso di successo dell'80,0%, rispetto al 52,4% della politica RT-1 originale.

Perché è importante per i responsabili della robotica e dell'automazione

Per i piccoli integratori di robotica e i responsabili dell'automazione di fabbrica, i modelli open-weight con licenza commerciale permissiva (Apache 2.0) offrono un'alternativa fondamentale alle API cloud proprietarie. La capacità di mettere a punto un singolo checkpoint fondamentale da 27B su cinematematiche estremamente diverse, che vanno da un braccio a sei assi a un imballatore a doppio braccio o a un umanoide bipede, utilizzando l'adattamento a basso rango (LoRA) riduce la necessità di costruire politiche di controllo personalizzate da zero per ogni specifica configurazione di cella.

Tuttavia, i team operativi devono separare le prestazioni dei benchmark dall'affidabilità di produzione. Sebbene Praxis-1 abbia ottenuto prestazioni perfette sul posizionamento strutturato delle assi in test controllati, il suo successo è sceso al 60% quando si è trattato di cataste disordinate e non strutturate. In una fabbrica o in un magazzino reali, un tasso di fallimento del 40% su attività variabili crea gravi arresti della linea e richiede un costante intervento manuale. I responsabili ingegneristici dovrebbero trattare i modelli d'azione del mondo aperto come solide politiche di base per la prototipazione rapida e la messa a punto del dominio, piuttosto che come sostituti immediati per i pianificatori di movimento deterministici in ambienti ad alto rendimento.

Cosa fare questa settimana

1. Scarica i pesi di Praxis-1 e la codebase di fine-tuning da GitHub o Hugging Face per valutare i requisiti di memoria del modello rispetto al tuo hardware edge e alle configurazioni delle workstation.

1. Esegui un esperimento di fine-tuning tramite adattamento a basso rango (LoRA) utilizzando da 30 a 60 minuti di video teleoperato da una specifica e ripetitiva routine di cella, come il prelievo da contenitori o il servizio macchine.

1. Verifica le tue attività di distribuzione di riferimento in base alla varianza della scena, stabilendo rigidi soglie di fallback manuale per lavori complessi o non strutturati in cui i tassi di successo della politica diminuiscono.

Fonti

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