Runway 开放机器人模型 Praxis-1 权重

Runway 把视频模型学到的运动知识接到了机器人控制上：新推出的 Praxis-1 既预测场景接下来会怎样，也预测机器人该做什么。它开放权重、允许本地运行，还提供面向 RTX 5090 的量化版本，值得关注的是这条从视频学习走向动作控制的路线。

但标题里的「完胜」需要拆开看。46.2% 的基准成功率，与快 15.6 倍、成本降至 1/51 的官方对比，回答的是不同问题，不能合起来当成机器人能力全面领先的证据。

为什么先学视频，再学机器人动作

据 IT之家 11 月 12 日报道，Runway 于 11 月 11 日宣布推出 Praxis-1。它基于拥有 270 亿参数的 Runway 视频基础模型构建，尝试缓解机器人训练数据采集成本高的问题。

机器人的动作数据通常需要实际操作设备来采集。Praxis-1 的思路是，先利用普通视频学习物体怎样运动、人的手怎样操作，再把这些知识用于机器人动作学习。

这里有两件相关但不同的事：预测未来画面，以及预测实现那个画面需要的动作。例如，知道物体接下来会移动到哪里，还不等于知道机械臂应该怎样运动。Praxis-1 尝试把结果预测和动作预测结合起来。

它想复用的是视频里的运动与操作知识，而不只是识别画面中有什么。

不过，报道没有交代视频预训练与机器人动作训练如何衔接，也没有提供去掉视频预训练后的对照实验。因此，这个设计方向可以理解，但视频知识究竟贡献了多少成功率，单凭原文还判断不了。

46.2% 成功率和快 15.6 倍，各自说明什么

报道给出的基准结果是：Praxis-1 在 RoboLab-120 的 1200 个场景中完成 555 个，成功率约 46.2%，在其中的世界动作模型及开放机器人基础模型类别中表现领先。

这个范围不能省略。「特定类别领先」与「所有机器人模型中最强」不是同一个结论。与此同时，555 个场景完成，也说明仍有大量场景没有完成。基准领先可以代表研究进展，却不足以直接证明它能稳定承担实际生产任务。

另一组数字来自 Runway 的官方对比：在相同工作站和任务上，Praxis-1 的完成速度比由 GPT-6 Astra 驱动的机械臂快 15.6 倍，完成每个任务的成本是其 51 分之一。

相同工作站和任务提供了一定的比较基础，但原文没有给出任务清单、重复次数、双方成功率，以及成本包含哪些项目。失败重试是否计费、是否包含硬件成本，也没说清。

速度和成本领先，不能自动推导出任务成功率也领先。

原文还使用了「最先进的激光机械臂」这一表述，却没有解释具体设备或技术含义，不宜据此延伸判断。Runway 自己也表示研究仍处于早期，后续重点包括长期规划，以及利用预测结果评估、改进自身动作。这些是研究方向，不能当成已经验证的能力。

我的判断

我更看重 Praxis-1 的开放方式，而不是标题里的胜负判断。

模型采用 Apache 2.0 许可证，权重与相关代码分别在 Hugging Face 和 GitHub 公开，开发者可以在自有硬件上运行和微调。它还提供可在 NVIDIA RTX 5090 上运行的 NVFP4 量化版本。这让有设备的团队有机会自行验证，减少只能接受厂商演示结论的限制。

但「能运行」距离「好部署」还有一段距离。报道没有提供显存占用、控制延迟、机器人适配范围，以及量化前后的效果差异，不能仅凭 RTX 5090 就估算完整部署门槛。

与由 GPT-6 Astra 驱动的机械臂方案相比，现有报道支持的是 Runway 宣称的特定任务速度和成本优势。它没有给出足够对照数据，支撑对两条路线作普遍排名。至于视频预训练能否持续降低机器人数据需求，原文提供了设计思路，尚未提供量化证明。

能拿来做什么

• 如果你参与机器人控制项目，可以把 Praxis-1 列入验证候选；先检查公开代码对现有设备的支持，再用自己的任务比较成功率、完成时间和单次成功成本。
• 如果你负责前端或 Node 控制台，可以把「预测结果」「实际动作」「任务成败」分别记录和展示。预测看起来合理，不能替代真实执行成功。
• 如果你正在比较 AI 系统方案，可以借用这次报道的审视方法：先确认比较任务与成功率，再看速度和成本。对普通 AI 编程场景，原文没有提供效果数据，不应把机器人测试优势直接套过来。