نسخة Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Praxis-1 من Runway يختبر مسارًا للتحكم بالروبوتات يعتمد على التدريب المسبق بالفيديو

> تقول Runway إن Praxis-1 يوظّف التدريب المسبق بالفيديو في التحكم بالروبوتات. وتقدم مقارنة أخطاء تحديد الموضع إشارة محدودة، فيما لا تزال الأوزان العامة وتفاصيل التقييم الأوسع غير متاحة.

By BIG CHANGE Editorial

Published: 2026-10-03T10:22:25.737Z
Updated: 2026-10-03T10:22:25.737Z
Canonical: https://bigchange.ai/blog/runway-praxis-1-video-pretraining-robot-control

![Conceptual charcoal illustration of a mounted camera looking at a tennis ball while an unbranded robot arm holds its open gripper nearby.](https://bigchange.ai/api/media/file/praxis-robot-ball-hero-v1.png)
AI-generated conceptual editorial illustration by BIG CHANGE.

أعلنت Runway عن [Praxis-1](https://runway.com/research/introducing-praxis-1)، وهي سياسة للتحكم بالروبوتات تقول الشركة إنها تستند إلى التدريب المسبق واسع النطاق بالفيديو الذي يقوم عليه نماذجها للعالم. وتفيد الشركة بأنها اختبرت النموذج مع شركاء مختارين في مجال الروبوتات وعلى أجهزتهم الخاصة. وتخطط لإتاحة أوزان النموذج للعامة خلال الأشهر المقبلة؛ لكنها لم تكن متاحة على صفحة الإعلان عندما تحققت BIG CHANGE في 3 أكتوبر. وتؤرخ Runway الصفحة بسبتمبر 2026 من دون تحديد اليوم.

يتمثل السؤال وراء ذلك في ما إذا كان الفيديو اليومي قادرًا على منح سياسة الروبوتات معرفة مفيدة قبل أن تتعلم من عروض الروبوتات التوضيحية. وتعرض Runway مقارنة لأخطاء تحديد الموضع ومقاطع لمهام مختارة. أما التفاصيل اللازمة لإعادة إنتاج النتيجة فلم تُنشر بعد.

## التغيير الأبرز

- **ما الذي تغيّر:** تنقل Runway التدريب المسبق بالفيديو إلى التنبؤ بأفعال الروبوت، وتعرض نتائج اختبارات على أنواع عدة من أجهزة الشركاء. وقد يتيح ذلك الاستفادة من وفرة المقاطع المصورة من منظور الشخص الثالث في مجال ترتفع فيه كلفة جمع بيانات العروض التوضيحية للروبوتات. ولا يزال الوصول إلى Praxis-1 مقتصرًا على جهات مختارة.
- **لماذا يهم ذلك:** يعرض مخطط Runway خطأ تحديد الموضع النهائي بعد الضبط الدقيق: 16.1 سم للتدريب المسبق بفيديو الويب و16.0 سم للتدريب المسبق بفيديو الروبوتات المتحكَّم بها عن بُعد. والتقديران النقطيان المعروضان متقاربان. لكن أشرطة ±1 SEM المستندة إلى 93 زوجًا للتقييم لا تثبت وجود فرق ذي دلالة إحصائية ولا تكافؤًا، كما أن البروتوكول المنشور محدود للغاية للحكم على الأداء مع روبوت آخر.
- **ما الذي ينبغي متابعته:** من شأن إتاحة الأوزان للعامة وتفاصيل التقييم على مستوى المهام ونتائج الشركاء أن تساعد الباحثين على تقدير إسهام التدريب المسبق بالفيديو ومتطلبات تكييف كل روبوت. وقد وعدت Runway بإتاحة الأوزان، لكنها لم تحدد موعدًا نهائيًا.

## كيف يدخل الفيديو في سياسة التحكم

تقول [صفحة الأبحاث الخاصة بـPraxis-1 لدى Runway](https://runway.com/research/introducing-praxis-1) إن نماذج الفيديو الكبيرة لديها تتعلم أنماط سلوك الأجسام وحركة اليد والمهام المادية. وتقول الشركة إن Praxis-1 ينقل هذا التدريب المسبق إلى سياسة عامة للروبوتات. وترى أن المقاطع المصورة من منظور الشخص الثالث يمكن أن توفر نقطة انطلاق مفيدة قبل التدريب على مهام روبوتية محددة. وتذكر الصفحة أن أداء السياسة يتحسن مع زيادة حجم فيديوهات منظور الشخص الثالث المستخدمة في التدريب.

لا تصف الصفحة صيغة الملاحظة في Praxis-1 أو مخرجات الأفعال أو إجراء الضبط الدقيق أو واجهة الاستدلال أو تردد التحكم. كما لا توفر ملفات للأوزان أو متطلبات للأجهزة. وتهم هذه النواقص المهندس الذي يحاول تقدير التكييف المطلوب لكاميرا أو قابض أو قاعدة متحركة بعينها. لدى Runway [صفحة منفصلة لمنتج نموذج السياسة GWM-1](https://runway.com/product/robotics/policy-model) تصف ترتيبًا مخصصًا للضبط الدقيق وحزمة تطوير سحابية. ولا ينبغي افتراض انطباق واجهته أو شروطه التجارية على Praxis-1.

توضح مقاطع Runway تعليمات وضع كرة تنس في مكان محدد، واقتراب قاعدة متحركة من رف والتقاط كتاب، وأمثلة تتضمن أجسامًا متكررة وفوضى ومواد شفافة وأقمشة. ويُعنون مقطع آخر بأنه يعرض انتقال السياسة نفسها بين استوديو ومطبخ من دون إعادة تدريب. هذه أمثلة اختارها المطوّر؛ ولا تذكر الصفحة عدد التجارب أو معدلات النجاح فيها.

## ما الذي يوضحه مخطط أخطاء تحديد الموضع

المقارنة الرقمية الوحيدة على صفحة Runway هي **خطأ تحديد الموضع النهائي بعد الضبط الدقيق**، مقاسًا بالسنتيمتر، والقيم الأقل أفضل. ويعرض المخطط التدريب المسبق بفيديو الويب من نقطة الصفر عند **16.1 سم**، والتدريب المسبق بفيديو الروبوتات المتحكَّم بها عن بُعد من نقطة الصفر عند **16.0 سم**. وترسم Runway ساعات فيديو التدريب المسبق، وتقول إن أشرطة الخطأ والنطاق يمثلان **±1 من الخطأ المعياري للمتوسط عبر 93 زوجًا للتقييم**. وتذكر ملاحظتها أن الفروق الأصغر من طول الشريط ليست ذات دلالة إحصائية.

يبلغ الفرق بين التقديرين النقطيين المعروضين 0.1 سم. ولم تنشر Runway في هذه الصفحة مزيج المهام، أو عدد الروبوتات والبيئات، أو كيفية تكوين الأزواج الـ93، أو مقدار بيانات الروبوتات المستخدمة في الضبط الدقيق، أو اختبارًا إحصائيًا كاملًا. في المقارنة التي اختارت Runway عرضها، يظل تقديرا خطأ تحديد الموضع النهائي المبلّغ عنهما متقاربين بعد الضبط الدقيق. ولا يثبت المخطط وجود فرق ذي دلالة إحصائية أو تكافؤ في هذا المقياس. كما لا يثبت إنجاز المهام الأطول في المقاطع بصورة موثوقة، ولا انخفاض الحاجة إلى بيانات حقيقية للنشر.

وتستشهد Runway أيضًا بوجود **ارتباط قدره 0.95** بين نتائج سياسة الروبوت في المحاكاة وفي العالم الحقيقي. ويأتي هذا الرقم من [بحثها السابق في تقييم السياسات](https://runway.com/research/accelerating-robot-policy-evaluation)، الذي رتّب ثماني سياسات في مهام على الطاولة باستخدام ذراع واحدة من طراز Franka Panda. وهذه دراسة منفصلة لتقييم السياسات، وليست مقياسًا لأداء Praxis-1 الميداني.

## واقع إتاحة الوصول

تذكر Runway أسماء [Noble Machines وStandard Bots وUltra](https://runway.com/research/introducing-praxis-1) بصفتها شركاء أوائل يستخدمون Praxis-1 على أجهزتهم الخاصة. ويصف الإعلان في هذا القسم التلاعب بكلتا اليدين، وذراعًا بست درجات حرية، وقاعدة متحركة. وتقول Runway إنها تقيّم الفاعلية والسلامة عبر تجسيدات وبيئات مختلفة قبل الإتاحة العامة، كما تدعو شركاء مختارين إضافيين إلى التواصل مع فريق الروبوتات لديها.

أما الباحثون خارج هذا البرنامج، فالمواد المتاحة لهم هي الإعلان والمخطط والمقاطع. ولا توجد على الصفحة روابط لتنزيل أوزان Praxis-1 للعامة، أو لإجراء تكامل منشور، أو لحزمة تقييم قابلة لإعادة الإنتاج. ولم تحدد Runway رسوم الوصول أو ترخيص الأوزان مستقبلًا أو متطلبات الحوسبة أو موعدًا عامًا للإصدار. ويمكن لفريق يدرس الوصول المبكر استخدام المعلومات العامة لصياغة نقاش حول أجهزته واحتياجاته التقييمية، لكنه لا يستطيع إعادة إنتاج المقارنة المبلّغ عنها بالاستناد إلى الإعلان وحده. لم تطلب BIG CHANGE الوصول، ولم تختبر روبوتًا.

تناولت تقاريرنا السابقة عن [GPT-Policy](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) و [HomeBody](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) أسئلة بحثية مختلفة. يستخدم GPT-Policy نموذجًا ثابتًا للرؤية واللغة مع عروض توضيحية وملاحظات من الروبوت؛ ويربط HomeBody ذاكرة الغرفة لدى روبوت بشريّ الشكل بمهارات قابلة لإعادة الاستخدام. أما Praxis-1 فيسأل عما إذا كان التدريب المسبق واسع النطاق بالفيديو قادرًا على تحسين سياسة التحكم نفسها. ولم تنشر Runway بعد التنفيذ أو تفاصيل تقييم كافية للتحقق من أدائه خارج المقارنة المبلّغ عنها.

## المصادر ومواد إضافية

- [Runway Research، «تقديم Praxis-1»](https://runway.com/research/introducing-praxis-1): الإعلان الأساسي المؤرخ بسبتمبر 2026. يتضمن ادعاء التدريب المسبق، ومقارنة خطأ تحديد الموضع البالغة 16.1 و16.0 سم، وملاحظة عدم اليقين المستندة إلى 93 زوجًا، ومقاطع مختارة، وشركاء، وخطة إتاحة الأوزان. Runway هي المطوّر؛ وهذه نتائجها وأوصافها الخاصة.
- [Runway Research، «تسريع تقييم سياسة الروبوت باستخدام نماذج العالم العامة»](https://runway.com/research/accelerating-robot-policy-evaluation): عمل سابق ومنفصل يرتبط بالارتباط البالغ 0.95 بين المحاكاة والعالم الحقيقي المذكور في إعلان Praxis-1. وهو لا يقيس أداء Praxis-1 عند النشر.
- [صفحة منتج نماذج السياسات من Runway Robotics](https://runway.com/product/robotics/policy-model): توثّق عرضًا منفصلًا للضبط المخصص للنموذج GWM-1 والاستدلال السحابي وحزمة تطوير البرمجيات. أُدرجت لتجنب الخلط بين واجهته ودليل تكامل Praxis-1 عام.
- [BIG CHANGE، «يختبر GPT-Policy السياق في مهام الذراع الروبوتية والاستكشاف المتنقل»](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) و[«يربط HomeBody الذاكرة المكانية لروبوت بشريّ الشكل بمهارات روبوتية قابلة لإعادة الاستخدام»](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills): تغطية سابقة لأساليب مختلفة للتحكم بالروبوتات. ولا يثبت أيٌّ منهما أداء Praxis-1.

## Sources

- [Runway Research، تقديم Praxis-1](https://runway.com/research/introducing-praxis-1) — إعلان المطوّر عن التدريب المسبق بالفيديو، ومقارنة تحديد الموضع النهائي، وملاحظة عدم اليقين المستندة إلى 93 زوجًا للتقييم، والمقاطع والشركاء المختارين، وإتاحة مبكرة محدودة، وخطة نشر الأوزان. لا يقدم بروتوكولًا قابلًا لإعادة الإنتاج أو أوزانًا عامة أو أدلة مستقلة على الأداء عند النشر.
- [Runway Research، تسريع تقييم سياسة الروبوت باستخدام نماذج العالم العامة](https://runway.com/research/accelerating-robot-policy-evaluation) — تقييم سابق منفصل لنماذج العالم لدى المطوّر، ويرتبط بارتباط 0.95 في ترتيب السياسات. اختبر ثماني سياسات في مهام على الطاولة باستخدام ذراع واحدة من طراز Franka Panda؛ وليس نتيجة ميدانية لـPraxis-1.
- [Runway Robotics، نموذج السياسات](https://runway.com/product/robotics/policy-model) — يصف عرضًا منفصلًا لضبط GWM-1 حسب الطلب والاستدلال السحابي وحزمة تطوير البرمجيات. ولا يحدد واجهة Praxis-1 أو تكاليفه أو متطلبات أجهزته.
- [BIG CHANGE، يختبر GPT-Policy السياق في مهام الذراع الروبوتية والاستكشاف المتنقل](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — تغطية سابقة لنموذج ثابت للرؤية واللغة يتلقى سياقًا ويصدر طلبات إلى أدوات روبوتية؛ والتقاطع بين المقالين سياقي فقط.
- [BIG CHANGE، يربط HomeBody الذاكرة المكانية لروبوت بشريّ الشكل بمهارات روبوتية قابلة لإعادة الاستخدام](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) — تغطية سابقة للذاكرة المكانية والمهارات القابلة لإعادة الاستخدام في عرض توضيحي لروبوت بشريّ الشكل؛ والتقاطع بين المقالين سياقي فقط.