Runway 开放机器人模型权重与微调代码

Runway 把视频生成能力接到了机器人控制上：Praxis-1 会预测动作之后的画面，再据此输出动作。11 月 11 日的新消息，是这个 270 亿参数模型开放了权重、推理代码和微调代码，采用允许商用的 Apache 2.0 许可证。

它值得关注，既因为机器人策略可能借用海量网络视频训练，也因为外部团队终于能验证这条路线。不过，原文的成绩全部来自 Runway 自报，模拟榜单第一距离真实场景的稳定运行还有很大距离。

先预测未来画面，为什么可能帮助机器人行动

常见机器人策略直接把观察结果映射成电机指令。Praxis-1 的思路是先预测下一步动作之后的短视频，再利用这个未来画面决定运动输出。

其底层是一个 27B 参数的混合专家扩散 Transformer，联合预测视频和动作。这里的「想象未来」不是另接一个聊天模型做规划，而是让视频预测与动作生成进入同一套模型。

这条路线依赖一个判断：网络视频已经包含物体如何运动、任务如何推进的大量知识，机器人专用数据主要负责把这些知识适配到具体机身上。例如，理解物体被推动后会移动，与控制某台机械臂施加合适的动作，是相关但不同的两件事。

Runway 表示，他们的研究发现，用网络视频和遥操作机器人视频做预训练，可以获得相当的策略表现。如果成立，昂贵的机器人演示采集就不再是唯一瓶颈，算力和机身适配会变得更重要。

但原文没有提供这项比较的实验细节。数据规模、任务范围、训练成本是否可比，都还需要进一步验证。

榜单第一，为什么仍然不够可靠

在 NVIDIA 的 RoboLab-120 模拟榜单上，Praxis-1 在 1,200 次测试中的成功率为 46.2%。原文给出的其他成绩分别是 FLUX 3 Action 的 42.9%、Cosmos3 Nano 的 36.8%，以及 π0.5 的 28.0%。

Runway 据此称它是表现最好的世界动作模型，并超过所有开放权重的视觉语言动作模型（VLA）。这些排名和比较，目前都应视为厂商报告。

46.2% 可以说明相对领先，也说明超过一半的测试没有成功。

而且，这是模拟环境的成绩。真实设备上的相机误差、物体差异和机械限制，会让模拟到现实的迁移继续接受考验。不能据此推导工厂或仓库里的可用率。

另一项结果更能体现适配潜力：Google 的 RT-1 机器人没有出现在 Praxis-1 的训练数据中，经过微调后，模型在 SimplerEnv 上达到 80.0% 成功率，高于原始 RT-1 策略的 52.4%。这支持它能适配训练时未见过的机身，但仍然是特定评测中的结果。

合作方 Noble Machines、Standard Bots 和 Ultra 还把同一个检查点适配到了腿式人形机器人、六轴工业机械臂和双臂仓储机器人。原文没有给出这些真实设备上的统一成功率，不能把它们与模拟成绩合并理解。

开放了哪些东西，小团队能不能用

Praxis-1 在 9 月已经发布，2026 年 11 月 11 日兑现的是开放承诺。此次提供权重、推理代码和微调代码，支持全量微调与 LoRA。

LoRA 的作用，是通过训练少量适配参数，调整模型对机身、相机和任务的适应能力，减少更新全部参数的需求。对只有一台机器人的团队，这提供了利用大型模型起步的可能。

但「支持 LoRA」不能直接换算成「适配便宜」。原文没有列出所需样本量、训练时长、显存占用和总成本。

分发和运行入口也比较完整：GitHub 提供代码，Hugging Face 提供模型并原生支持 LeRobot，vLLM-Omni 提供支持，Reactor 提供托管推理。

Runway 声称，它能直接运行在 NVIDIA 的 H100、B200、RTX 5090、RTX PRO 6000，以及机器人端的 Jetson Thor 上。硬件覆盖从数据中心延伸到工作站和机器人端，但 27B 仍是大型模型。「支持某张卡」并没有回答推理延迟、控制频率和运行余量是否满足具体任务。

我的判断

我更看重这次发布带来的验证条件：外部团队可以下载模型、检查实现、复现成绩，测试网络视频预训练的效果，以及换硬件后还能保留多少能力。

相较于从头训练小型机器人策略，Praxis-1 提供了更强的预训练起点，也带来了更重的硬件需求。两条路线谁更划算，必须结合任务、数据和设备判断。原文没有成本对照，「小团队适配更便宜」目前仍是基于技术路径的推断。

视频预测也不能自动充当安全保证。模型预测的未来可能出错，实际动作仍需要设备侧的限制与验证。开放权重让问题更容易被发现，却不会替部署团队完成这些工作。

这次开放最有价值的地方，是让厂商主张开始具备被独立检验的条件。

至于网络视频能否持续替代昂贵的遥操作数据、模拟成绩能否迁移到真实任务，目前还没有足够证据下定论。

能拿来做什么

• 如果你参与机器人项目，可以先用公开检查点复现一个明确任务，分别记录模拟成功率和真实设备成功率，再判断是否值得投入机身适配。
• 如果准备使用 LoRA，先确认相机输入、动作输出与现有设备如何对应，同时记录样本量、训练资源和失败类型，用自己的成本数据评估这条路线。
• 如果你负责机器人控制台或服务集成，可以先核对 LeRobot、vLLM-Omni、Reactor 的实际接口与运行条件。原文没有提供 API 或调用示例，不能把「已有支持」当作现成接入方案。