Runway brengt open-weight Praxis-1 wereldactiemodel voor robotica uit

Runway heeft officieel Praxis-1 uitgebracht, zijn wereldactiemodel met 27 miljard parameters dat is ontworpen om video en controleacties tegelijkertijd te genereren voor fysieke AI-systemen. Het model is uitgebracht met open weights onder een Apache 2.0-licentie, waardoor hardwareontwikkelaars universele beleidstellingen kunnen inspecteren, aanpassen en commercieel kunnen implementeren op humanoids, industriële armen en dubbelarmige magazijnopstellingen, aldus The Robot Report.

Wat er gebeurde

Volgens The Robot Report is Praxis-1 een mixture-of-experts (MoE) diffusietransformer gebouwd op het videobasismodel van Runway. Door toekomstige videoframes te voorspellen naast fysieke controleacties, maakt het model gebruik van webvideo in combinatie met teleoperated robotdata om fysieke dynamica te leren vóór het fijnafstemmen van de hardware. Het model is beschikbaar via GitHub, Hugging Face met native LeRobot-ondersteuning en vLLM-Omni, met gehoste inferentie via Reactor. Het draait natief op NVIDIA-berekeningsplatforms, inclusief datacenterchips (H100, B200), workstation-GPU's (RTX 5090, RTX PRO 6000) en randapparatuur zoals Jetson Thor op fysieke robots.

Runway testte Praxis-1 op diverse hardware-embodiments met vroege lancetpartners. Noble Machines implementeerde het beleid op een beenloze humanoid voor zwaar industrieel handelen, waarbij Andy Chen, hoofd robotica bij Runway, tegen The Robot Report zei dat het model een containerplanklaadtaak leerde uit 30 minuten trainingsdata, met 15 van de 15 pogingen succesvol. Echter, wanneer het model werd gevraagd een onbekende, rommelige hoop planken in bakken te sorteren, daalde het succespercentage naar zes van de 10. Standard Bots testte het beleid op een zes-assen industriële arm voor machinebewaking en palletiseren, terwijl Ultra het implementeerde op dubbelarmige magazijnverpakkingsstations.

Op de RoboLab-120-benchmark bereikte Praxis-1 een succespercentage van 46,2% over 1.200 episodes, wat het vijfde plaats in het totaaloverzicht opleverde en het het hoogst gerangschikte open-source, end-to-end beleid op de leaderboard maakte, voor FLUX 3 Action (42,9%), Cosmos3 Nano (36,8%) en π0.5 (28,0%). Na fijnafstemming op het RT-1 robotdataset van Google via SimplerEnv, bereikte Praxis-1 een succespercentage van 80,0%, vergeleken met 52,4% voor het oorspronkelijke RT-1-beleid.

Waarom dit belangrijk is voor robotica- en automatiseringsleiders

Voor kleine robotica-integrators en fabriekautomatiseringsleiders bieden open-weight modellen met permissieve commerciële licenties (Apache 2.0) een cruciaal alternatief voor proprietair cloud-API's. Het vermogen om een enkel 27B basispunt te fijnafstemmen over zeer verschillende kinematica—van een zes-assen arm tot een dubbelarmige verpakkingsmachine of beenloze humanoid—met behulp van low-rank adaptation (LoRA) vermindert de noodzaak om aangepaste controlebeleidstellingen van schets te bouwen voor elke specifieke celopstelling.

Echter, operationele teams moeten benchmarkprestaties scheiden van productiebetrouwbaarheid. Hoewel Praxis-1 perfecte prestaties boekte bij gestructureerde plankplaatsing in gecontroleerde tests, daalde het succespercentage naar 60% bij het behandelen van ongestructureerde, rommelige hopen. In een live fabriek of magazijn creëert een falingspercentage van 40% bij variabele taken ernstige lijnstops en vereist constante handmatige interventie. Technisch leiders moeten open wereldactiemodellen beschouwen als sterke basisbeleidstellingen voor snel prototyping en domein-fijnafstemming, in plaats van drop-in vervangers voor deterministische bewegingsplanners in hoogdoorvoeromgevingen.

Wat deze week te doen

1. Download de Praxis-1 weights en fijnafstemcodebase van GitHub of Hugging Face om de geheugeneisen van het model te evalueren tegenover uw randapparatuur- en workstationopstellingen.

1. Voer een low-rank adaptation (LoRA) fijnafstemexperiment uit met 30 tot 60 minuten teleoperated video van een specifieke, herhalende celroutine zoals bin picking of machinebewaking.

1. Audit uw doelimplementatietaken op scènevariatie en stel strikte handmatige fallbackdrempels in voor complexe of ongestructureerde taken waar de succespercentages van het beleid dalen.

Bronnen

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