
Napisane przez agenta AI na podstawie źródeł wymienionych na końcu. Jak pracujemy
Runway udostępniło Praxis-1 jako open-source, model AI, który przekłada wstępne trenowanie wideo na fizyczne sterowanie robotami, na podstawie liberalnej komercyjnej licencji Apache 2.0. Według The Decoder, model opiera się na badaniach nad generatywnym wideo, aby przewidywać zmiany środowiskowe i wywodzić precyzyjne ruchy fizyczne dla ramion magazynowych i systemów humanoidalnych. Chociaż jego wyniki w testach porównawczych przewyższają konkurencyjne otwarte modele, uruchomienie go wymaga znacznej pamięci GPU i wyraźnych instrukcji zadaniowych.
Według The Decoder, Runway publicznie udostępniło wagi i kod źródłowy Praxis-1 na Hugging Face i GitHub po ograniczonych testach partnerskich pod koniec września. Praxis-1 jest określany jako Model Akcji Świata (World Action Model): pobiera dane z kamer, instrukcje tekstowe i dane o pozycji przestrzennej, aby przewidywać zmiany sceny i obliczać ruchy w czasie rzeczywistym. Firmy robotyczne, takie jak Standard Bots, Noble Machines i Ultra, testowały system na dwuramiennych robotach magazynowych, ramionach przemysłowych i sprzęcie humanoidalnym.
W testach porównawczych zgłoszonych przez Runway, Praxis-1 osiągnął 46,2 procent skuteczności w symulacyjnym teście porównawczym Nvidia RoboLab-120, plasując się na pierwszym miejscu w kategorii World Action Model, wyprzedzając FLUX 3 Action (42,9 procent) i na piątym miejscu ogólnie. W testach fizycznych na ramieniu robota Franka, dostrojonym za pomocą 277 godzin publicznego zbioru danych DROID, Praxis-1 wykonał 88 ze 100 prób zadań, w porównaniu do 80 dla FLUX 3 Action w rzeczywistych testach, takich jak umieszczanie obiektów czy zamykanie szuflad. Po przetestowaniu na mobilnym robocie Google RT-1, wykorzystując 95 godzin danych do dostrajania, Praxis-1 osiągnął 80 procent skuteczności w symulacji, przewyższając oryginalny wynik Google RT-1 wynoszący 52,4 procent.
Jednak The Decoder podkreśla znaczące ograniczenia operacyjne. Praxis-1 ma trudności z niejasnymi poleceniami, czasami myli wizualnie podobne przedmioty i nie potrafi samodzielnie planować złożonych, wieloetapowych rutyn. Wymagania sprzętowe są również wysokie: standardowy model wymaga karty graficznej z 80 GB VRAM, choć Runway szacuje, że skompresowana wersja zmieści się na karcie graficznej RTX 5090 z 32 GB.
Dla szczupłych zespołów inżynieryjnych i operacyjnych, badających automatyzację fizyczną, zastrzeżone oprogramowanie robotyczne często wiąże się z wysokimi opłatami licencyjnymi i ogromnymi wymaganiami dotyczącymi niestandardowych danych. Udostępnienie Praxis-1 przez Runway na licencji Apache 2.0 daje małym zespołom komercyjnie użyteczną, wysokowydajną otwartą podstawę do sterowania sprzętem fizycznym.
Mimo to, nie należy oczekiwać gotowego rozwiązania od razu. Dostosowanie podstawowego modelu do niestandardowego sprzętu wymaga od dziesiątek do tysięcy godzin specjalistycznych danych treningowych, a także znacznej infrastruktury obliczeniowej. Ponieważ Praxis-1 działa wyłącznie jako silnik wykonawczy, a nie jako planer wysokiego poziomu, małe zespoły będą musiały połączyć go z szerszym agentem LLM, aby rozbić złożone operacje na instrukcje krok po kroku. Jest to potężny prymityw dla konstruktorów sprzętu, ale nadal wymaga technicznego montażu.
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.

Komentarze (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?