Edición en Markdown

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

# Praxis-1 de Runway prueba una vía al control robótico entrenada con vídeo

> Runway afirma que Praxis-1 aplica el preentrenamiento con vídeo al control robótico. Su comparación del error de colocación ofrece una señal limitada, mientras siguen pendientes los pesos públicos y más detalles de evaluación.

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.

Runway ha [anunciado Praxis-1](https://runway.com/research/introducing-praxis-1), una política de control para robots que, según la empresa, se basa en el preentrenamiento a gran escala con vídeo que sustenta sus modelos del mundo. Runway afirma haberla probado con socios seleccionados de robótica en sus propios equipos. Planea publicar los pesos del modelo en los próximos meses; no estaban disponibles en la página del anuncio cuando BIG CHANGE la consultó el 3 de octubre. Runway fecha la página en septiembre de 2026, sin especificar el día.

La pregunta de fondo es si los vídeos cotidianos pueden aportar conocimientos útiles a una política de control robótico antes de que esta aprenda de demostraciones con robots. Runway ofrece una comparación del error de colocación y clips de tareas seleccionados. Aún no se han publicado los detalles necesarios para reproducir el resultado.

## El gran cambio

- **Qué ha cambiado:** Runway está trasladando el preentrenamiento con vídeo a la predicción de acciones robóticas y afirma haber realizado pruebas con varios tipos de equipos de sus socios. Esto abre una posible vía para aprovechar la abundancia de vídeos grabados desde la perspectiva de terceros en un campo donde recopilar datos de demostraciones robóticas resulta costoso. Praxis-1 sigue disponible solo para un grupo seleccionado.
- **Por qué importa:** El gráfico de Runway muestra un error final de colocación tras el ajuste fino de 16,1 cm con preentrenamiento en vídeos de la web y de 16,0 cm con preentrenamiento en vídeos de robots teleoperados. Las estimaciones puntuales mostradas son cercanas. Las barras de ±1 error estándar de la media (SEM) en los 93 pares de evaluación no demuestran ni una diferencia significativa ni equivalencia, y el protocolo publicado es demasiado limitado para juzgar el rendimiento en otro robot.
- **Qué observar:** La publicación de los pesos, detalles de evaluación por tarea y resultados de los socios permitirían a los investigadores determinar cuánto aporta el preentrenamiento con vídeo y qué adaptación necesita cada robot. Runway ha prometido publicar los pesos, pero no ha dado una fecha concreta.

## Cómo se incorpora el vídeo a la política

La página de investigación de Runway sobre [Praxis-1](https://runway.com/research/introducing-praxis-1) afirma que sus modelos de vídeo a gran escala aprenden patrones sobre el comportamiento de los objetos, los movimientos de las manos y las tareas físicas. La empresa dice que Praxis-1 incorpora ese preentrenamiento a una política de control robótico de propósito general. Según su planteamiento, los vídeos grabados desde la perspectiva de terceros pueden ofrecer un punto de partida útil antes del entrenamiento específico para cada tarea. La página afirma que el rendimiento de la política mejora a medida que aumenta el volumen de vídeo en tercera persona.

La página no describe el formato de observación de Praxis-1, la salida de acciones, el procedimiento de ajuste fino, la interfaz de inferencia ni la frecuencia de control. Tampoco ofrece archivos de pesos ni requisitos de hardware. Estas omisiones importan a los ingenieros que intentan estimar la adaptación necesaria para una cámara, una pinza o una base móvil concretas. Runway tiene una [página de producto independiente para su modelo de política GWM-1](https://runway.com/product/robotics/policy-model) que describe un servicio de ajuste fino personalizado y un SDK en la nube. No debe suponerse que su interfaz ni sus condiciones comerciales se aplican a Praxis-1.

Los clips de Runway muestran una instrucción para colocar una pelota de tenis, una base móvil que se acerca a un estante y recoge un libro, y ejemplos con objetos repetidos, desorden, materiales transparentes y tela. Otro clip lleva el rótulo de la misma política desplazándose entre un estudio y una cocina sin volver a entrenarse. Son ejemplos seleccionados por el desarrollador; la página no informa del número de pruebas ni de las tasas de éxito.

## Qué muestra el gráfico del error de colocación

La única comparación numérica de la página de Runway es el **error final de colocación tras el ajuste fino**, medido en centímetros; los valores más bajos son mejores. El gráfico indica **16,1 cm** para el preentrenamiento desde cero con vídeos web y **16,0 cm** para el preentrenamiento desde cero con vídeos de robots teleoperados. Runway representa las horas de vídeo de preentrenamiento e indica que las barras de error y la banda corresponden a **±1 error estándar de la media en 93 pares de evaluación**. La nota del gráfico dice que las diferencias menores que una barra no son significativas.

Las estimaciones puntuales mostradas difieren en 0,1 cm. En esta página, Runway no ha publicado la composición de las tareas, el número de robots o entornos, cómo se formaron los 93 pares, cuántos datos de robots se usaron para el ajuste fino ni una prueba estadística completa. En la comparación que decidió mostrar, las estimaciones puntuales del error final de colocación son cercanas después del ajuste fino. El gráfico no demuestra una diferencia estadísticamente significativa ni equivalencia para esa medida. Tampoco permite demostrar que se completen de forma fiable las tareas más largas de los clips ni que disminuyan los datos necesarios para el despliegue real.

Runway también cita una **correlación de 0,95** entre los resultados de políticas robóticas en simulación y en el mundo real. Esa cifra procede de su [investigación anterior sobre evaluación de políticas](https://runway.com/research/accelerating-robot-policy-evaluation), que clasificó ocho políticas en tareas de mesa con un solo brazo Franka Panda. Es un estudio distinto sobre evaluación de políticas, no una medida del rendimiento de Praxis-1 en condiciones reales.

## Situación del acceso

Runway menciona a [Noble Machines, Standard Bots y Ultra](https://runway.com/research/introducing-praxis-1) como socios iniciales que utilizan Praxis-1 en sus propios equipos. En esa sección, el anuncio describe manipulación bimanual, un brazo de seis grados de libertad y una base móvil. Runway dice que está evaluando la eficacia y la seguridad en distintas configuraciones de robots y entornos antes de ofrecer el sistema de forma general, e invita a otros socios seleccionados a ponerse en contacto con su equipo de robótica.

Para los investigadores ajenos al programa, el material disponible se limita al anuncio, el gráfico y los clips. La página no enlaza una descarga pública de los pesos de Praxis-1, un procedimiento de integración publicado ni un paquete de evaluación reproducible. Runway no especifica tarifas de acceso, la licencia futura de los pesos, los requisitos de cómputo ni una fecha de lanzamiento general. Un equipo que se plantee solicitar acceso anticipado puede usar la información pública para iniciar una conversación sobre sus propios equipos y necesidades de evaluación, pero no puede reproducir por sí solo la comparación publicada. BIG CHANGE no solicitó acceso ni probó ningún robot.

Nuestros informes anteriores sobre [GPT-Policy](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) y [HomeBody](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) abordan preguntas de investigación diferentes. GPT-Policy proporciona demostraciones y retroalimentación robótica a un modelo fijo de visión y lenguaje; HomeBody conecta la memoria espacial del entorno doméstico de un humanoide con habilidades reutilizables. Praxis-1 plantea si un preentrenamiento amplio con vídeo puede mejorar la propia política. Runway aún no ha publicado la implementación ni suficientes detalles de evaluación para comprobar su rendimiento más allá de la comparación mostrada.

## Fuentes y lecturas adicionales

- [Runway Research, «Presentación de Praxis-1»](https://runway.com/research/introducing-praxis-1): Anuncio principal, fechado en septiembre de 2026. Aporta la afirmación sobre el preentrenamiento, la comparación del error de colocación de 16,1/16,0 cm, la nota de incertidumbre basada en 93 pares, los clips seleccionados, los socios y el plan de publicar los pesos. Runway es el desarrollador; los resultados y descripciones son propios.
- [Runway Research, «Acelerar la evaluación de políticas robóticas con modelos generales del mundo»](https://runway.com/research/accelerating-robot-policy-evaluation): Trabajo anterior e independiente que sustenta la correlación de 0,95 entre la clasificación de políticas en simulación y en el mundo real citada en el anuncio de Praxis-1. Evaluó ocho políticas en tareas de mesa con un brazo Franka Panda; no mide el rendimiento de Praxis-1 en condiciones reales.
- [Página de producto de modelos de política robótica de Runway](https://runway.com/product/robotics/policy-model): Describe una oferta independiente de ajuste fino personalizado de GWM-1 y un SDK. Se incluye para evitar que su interfaz se confunda con una guía pública de integración de Praxis-1.
- [BIG CHANGE, «GPT-Policy evalúa el contexto en tareas con brazos robóticos y de exploración móvil»](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) y [«HomeBody conecta la memoria espacial de un humanoide con habilidades robóticas reutilizables»](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills): Cobertura anterior de enfoques distintos para el control robótico. Ninguno demuestra el rendimiento de Praxis-1.

## Sources

- [Runway Research, Presentación de Praxis-1](https://runway.com/research/introducing-praxis-1) — Anuncio del desarrollador sobre el preentrenamiento con vídeo, la comparación de colocación final, la nota de incertidumbre de los 93 pares de evaluación, los clips y socios seleccionados, el acceso anticipado limitado y los pesos que planea publicar. No ofrece un protocolo reproducible, pesos públicos ni pruebas independientes de despliegue.
- [Runway Research, Acelerar la evaluación de políticas robóticas con modelos generales del mundo](https://runway.com/research/accelerating-robot-policy-evaluation) — Evaluación independiente anterior de modelos del mundo realizada por el desarrollador, de la que procede la correlación de 0,95 en la clasificación de políticas. Probó ocho políticas en tareas de mesa con un único brazo Franka Panda; no es un resultado de Praxis-1 en condiciones reales.
- [Runway Robotics, Modelo de política](https://runway.com/product/robotics/policy-model) — Describe una oferta independiente de ajuste fino personalizado de GWM-1, inferencia en la nube y SDK. No especifica la interfaz, los costes ni los requisitos de hardware de Praxis-1.
- [BIG CHANGE, GPT-Policy evalúa el contexto en tareas con brazos robóticos y de exploración móvil](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — Cobertura previa de un modelo fijo de visión y lenguaje al que se le proporciona contexto y que emite solicitudes a herramientas robóticas; se cita solo por el contexto compartido.
- [BIG CHANGE, HomeBody conecta la memoria espacial de un humanoide con habilidades robóticas reutilizables](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) — Cobertura previa sobre memoria espacial y habilidades reutilizables en una demostración con un humanoide; se cita solo por el contexto compartido.