Runway udostępnia model akcji świata Praxis-1 o otwartych wagach dla robotyki

Firma Runway oficjalnie udostępniła Praxis-1, swój model akcji świata o 27 miliardach parametrów, zaprojektowany do jednoczesnego generowania wideo i sterowania działaniami dla fizycznych systemów AI. Jak podaje The Robot Report, model został wydany z otwartymi wagami na licencji Apache 2.0, co pozwala twórcom sprzętu na analizę, adaptację i komercyjne wdrażanie uniwersalnych polityk w humanoidach, ramionach przemysłowych oraz dwuramiennych stanowiskach magazynowych.

Co się wydarzyło

Według The Robot Report, Praxis-1 to model typu mixture-of-experts (MoE) oparty na transformatorze dyfuzyjnym, zbudowany na fundamencie modelu wideo Runway. Przewidując przyszłe klatki wideo wraz z fizycznymi działaniami sterującymi, model wykorzystuje wideo internetowe w połączeniu z danymi z robotów sterowanych zdalnie, aby uczyć się dynamiki fizycznej przed dostrojeniem sprzętowym. Model jest dostępny za pośrednictwem GitHub, Hugging Face z natywnym wsparciem LeRobot oraz vLLM-Omni, a wnioskowanie jest hostowane na platformie Reactor. Działa on natywnie na platformach obliczeniowych NVIDIA, w tym na układach centrów danych (H100, B200), procesorach graficznych stacji roboczych (RTX 5090, RTX PRO 6000) oraz sprzęcie brzegowym, takim jak Jetson Thor w fizycznych robotach.

Runway przetestowało Praxis-1 na różnych konfiguracjach sprzętowych wraz z partnerami wczesnego dostępu. Firma Noble Machines wdrożyła politykę na kroczącym humanoidzie do ciężkich prac przemysłowych, gdzie Andy Chen, szef działu robotyki w Runway, przekazał The Robot Report, że model nauczył się zadania układania desek na podstawie 30 minut danych treningowych, osiągając 15 na 15 udanych wykonań. Jednak w przypadku zadania polegającego na uprzątnięciu nieznanego, nieuporządkowanego stosu desek do pojemników, wskaźnik sukcesu spadł do sześciu na 10. Standard Bots przetestowało politykę na sześcioosiowym ramieniu przemysłowym do obsługi maszyn i paletyzacji, podczas gdy Ultra wdrożyło ją na dwuramiennych stanowiskach pakowania w magazynach.

W benchmarku RoboLab-120, Praxis-1 osiągnął wskaźnik sukcesu 46,2% w 1200 epizodach, zajmując piąte miejsce w ogólnym rankingu i stając się najwyżej ocenianą polityką typu open-source typu end-to-end, wyprzedzając FLUX 3 Action (42,9%), Cosmos3 Nano (36,8%) oraz π0.5 (28,0%). Po dostrojeniu na zbiorze danych robotów RT-1 firmy Google za pomocą SimplerEnv, Praxis-1 osiągnął wskaźnik sukcesu na poziomie 80,0%, w porównaniu do 52,4% dla oryginalnej polityki RT-1.

Dlaczego ma to znaczenie dla liderów robotyki i automatyki

Dla małych integratorów robotyki i liderów automatyki fabrycznej, modele z otwartymi wagami i liberalną licencją komercyjną (Apache 2.0) stanowią kluczową alternatywę dla własnościowych interfejsów API w chmurze. Możliwość dostrojenia pojedynczego punktu kontrolnego modelu bazowego o 27 miliardach parametrów do skrajnie różnej kinematyki — od ramienia sześcioosiowego po dwuramienny system pakujący lub kroczącego humanoida — przy użyciu adaptacji niskiego rzędu (LoRA), zmniejsza potrzebę budowania niestandardowych polityk sterowania od zera dla każdej konkretnej komórki roboczej.

Zespoły operacyjne muszą jednak oddzielić wyniki benchmarków od niezawodności produkcyjnej. Choć Praxis-1 osiągnął doskonałe wyniki w kontrolowanych testach układania desek, jego skuteczność spadła do 60% w przypadku nieuporządkowanych, chaotycznych stosów. W rzeczywistej fabryce lub magazynie 40-procentowy wskaźnik awaryjności przy zmiennych zadaniach powoduje poważne przestoje linii i wymaga ciągłej interwencji ręcznej. Liderzy inżynierii powinni traktować modele akcji świata jako silne polityki bazowe do szybkiego prototypowania i dostrajania domenowego, a nie jako gotowe zamienniki dla deterministycznych planistów ruchu w środowiskach o wysokiej przepustowości.

Co zrobić w tym tygodniu

1. Pobierz wagi Praxis-1 i bazę kodu do dostrajania z GitHub lub Hugging Face, aby ocenić wymagania pamięciowe modelu w odniesieniu do posiadanego sprzętu brzegowego i stacji roboczych.

1. Przeprowadź eksperyment dostrajania niskiego rzędu (LoRA), wykorzystując od 30 do 60 minut wideo z teleoperacji konkretnej, powtarzalnej rutyny, takiej jak zbieranie przedmiotów do pojemników lub obsługa maszyn.

1. Przeprowadź audyt docelowych zadań wdrożeniowych pod kątem zmienności sceny, ustalając ścisłe progi ręcznego przełączania dla złożonych lub nieuporządkowanych zadań, w których wskaźniki sukcesu polityki spadają.

Źródła

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