Édition Markdown

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

# Praxis-1 de Runway met à l’épreuve une approche du contrôle robotique fondée sur la vidéo

> Runway affirme que Praxis-1 applique le préentraînement vidéo au contrôle des robots. Sa comparaison des erreurs de placement apporte un indice limité, tandis que les poids publics et des détails d’évaluation plus complets se font toujours attendre.

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 a [annoncé Praxis-1](https://runway.com/research/introducing-praxis-1), une politique robotique qui, selon l’entreprise, s’appuie sur le préentraînement vidéo à grande échelle de ses modèles du monde. Runway dit l’avoir testée avec certains partenaires en robotique, sur leurs propres machines. L’entreprise prévoit de publier les poids du modèle dans les prochains mois ; ils n’étaient pas disponibles sur la page d’annonce lors de la vérification de BIG CHANGE, le 3 octobre. Runway date cette page de septembre 2026, sans préciser le jour.

La question est de savoir si des vidéos ordinaires peuvent apporter à une politique robotique des connaissances utiles avant son apprentissage à partir de démonstrations réalisées par des robots. Runway présente une comparaison des erreurs de placement et quelques séquences de tâches. Les détails nécessaires pour reproduire le résultat ne sont pas publiés.

## Le changement majeur

- **Ce qui change :** Runway transpose le préentraînement vidéo à la prédiction d’actions robotiques et fait état d’essais sur plusieurs types de matériel fourni par ses partenaires. Cette approche pourrait exploiter l’abondance de vidéos filmées à la troisième personne dans un domaine où la collecte de démonstrations robotiques coûte cher. Praxis-1 reste accessible uniquement à certains partenaires.
- **Pourquoi c’est important :** Le graphique de Runway indique une erreur de placement final après ajustement fin de 16,1 cm pour le préentraînement sur des vidéos trouvées sur le Web et de 16,0 cm pour le préentraînement sur des vidéos de robots téléopérés. Les estimations ponctuelles affichées sont proches. Les barres de ±1 erreur standard de la moyenne, calculées sur 93 paires d’évaluation, ne démontrent ni différence significative ni équivalence ; le protocole publié est trop limité pour juger les performances sur un autre robot.
- **À suivre :** La publication des poids, de détails d’évaluation par tâche et de résultats des partenaires permettrait aux chercheurs d’évaluer la contribution du préentraînement vidéo et les adaptations requises pour chaque robot. Runway a promis les poids, sans donner de date ferme.

## Comment la vidéo alimente la politique

La [page de recherche de Praxis-1](https://runway.com/research/introducing-praxis-1) de Runway indique que ses grands modèles vidéo apprennent des régularités concernant le comportement des objets, les mouvements des mains et les tâches physiques. L’entreprise affirme que Praxis-1 intègre ce préentraînement à une politique robotique généraliste. Selon elle, les vidéos filmées par un tiers peuvent fournir un bon point de départ avant l’entraînement propre à une tâche. La page précise que les performances de la politique progressent à mesure que le volume de vidéos à la troisième personne augmente.

La page ne décrit ni le format d’observation de Praxis-1, ni ses sorties d’action, sa procédure d’ajustement fin, son interface d’inférence ou sa fréquence de contrôle. Elle ne fournit pas non plus les fichiers de poids ni les exigences matérielles. Ces omissions compliquent l’estimation, pour un ingénieur, des adaptations nécessaires à une caméra, une pince ou une base mobile donnée. Runway propose une [page distincte sur son modèle de politique GWM-1](https://runway.com/product/robotics/policy-model) qui décrit un service d’ajustement fin personnalisé et un SDK infonuagique. Il ne faut pas supposer que son interface ou ses conditions commerciales s’appliquent à Praxis-1.

Les séquences de Runway illustrent une consigne consistant à placer une balle de tennis, une base mobile qui s’approche d’une étagère et prend un livre, ainsi que des exemples impliquant des objets répétés, du désordre, des matériaux transparents et du tissu. Une autre séquence est présentée comme montrant la même politique passer d’un studio à une cuisine sans nouvel entraînement. Ces exemples ont été choisis par le développeur ; la page ne précise ni le nombre d’essais ni leur taux de réussite.

## Ce que montre le graphique des erreurs de placement

La seule comparaison chiffrée de la page de Runway porte sur l’**erreur de placement finale après ajustement fin**, mesurée en centimètres, une valeur plus basse étant préférable. Le graphique indique **16,1 cm** pour le préentraînement à partir de vidéos Web et **16,0 cm** pour le préentraînement à partir de vidéos de robots téléopérés, dans les deux cas en partant de zéro. Runway représente le nombre d’heures de vidéos de préentraînement et précise que les barres et la bande d’incertitude correspondent à **±1 erreur standard de la moyenne sur 93 paires d’évaluation**. Selon sa note, les écarts inférieurs à la longueur d’une barre ne sont pas significatifs.

Les estimations ponctuelles affichées diffèrent de 0,1 cm. Sur cette page, Runway ne publie ni la diversité des tâches, ni le nombre de robots ou d’environnements, ni la façon dont les 93 paires ont été constituées, ni la quantité de données robotiques utilisée pour l’ajustement fin, ni test statistique complet. Dans la comparaison qu’elle a choisi de présenter, les estimations ponctuelles de l’erreur de placement finale après ajustement fin sont proches. Le graphique ne démontre ni différence statistiquement significative ni équivalence pour cette mesure. Il ne permet pas non plus de conclure que les longues tâches présentées dans les séquences sont exécutées de manière fiable ou que les besoins en données réelles pour le déploiement diminuent.

Runway cite également une **corrélation de 0,95** entre les résultats obtenus par des politiques robotiques en simulation et dans le monde réel. Ce chiffre provient de ses [recherches antérieures sur l’évaluation des politiques](https://runway.com/research/accelerating-robot-policy-evaluation), qui comparaient le classement de huit politiques pour des tâches de manipulation sur table avec un seul bras Franka Panda. Il s’agit d’une étude distincte consacrée à l’évaluation des politiques, et non d’une mesure des performances de Praxis-1 en conditions réelles.

## Où en est l’accès ?

Runway cite [Noble Machines, Standard Bots et Ultra](https://runway.com/research/introducing-praxis-1) parmi les premiers partenaires qui utilisent Praxis-1 sur leur propre matériel. Dans cette section, l’annonce évoque la manipulation bimanuelle, un bras à six degrés de liberté et une base mobile. Runway affirme évaluer l’efficacité et la sécurité sur plusieurs configurations robotiques et environnements avant une disponibilité générale, et invite d’autres partenaires sélectionnés à contacter son équipe robotique.

Pour les chercheurs qui ne participent pas à ce programme, les documents disponibles se limitent à l’annonce, au graphique et aux séquences vidéo. La page ne renvoie vers aucun téléchargement public des poids de Praxis-1, aucune procédure d’intégration publiée ni aucun ensemble d’évaluation reproductible. Runway ne précise ni les frais d’accès, ni la licence prévue pour les poids, ni les besoins de calcul, ni la date d’une sortie générale. Une équipe qui envisage un accès anticipé peut s’appuyer sur les informations publiques pour préparer une discussion autour de son matériel et de ses besoins d’évaluation, mais elle ne peut pas reproduire la comparaison rapportée à partir de la seule annonce. BIG CHANGE n’a ni demandé l’accès ni testé de robot.

Nos articles précédents sur [GPT-Policy](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) et [HomeBody](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) portaient sur d’autres questions de recherche. GPT-Policy guide un modèle de vision et de langage fixe à l’aide de démonstrations et de retours du robot ; HomeBody relie la mémoire spatiale d’un humanoïde à des compétences réutilisables. Praxis-1 cherche à déterminer si un préentraînement vidéo général peut améliorer la politique elle-même. Runway n’a pas encore publié l’implémentation ni suffisamment de détails sur l’évaluation pour vérifier ses performances au-delà de la comparaison présentée.

## Sources et lectures complémentaires

- [Runway Research, « Présentation de Praxis-1 »](https://runway.com/research/introducing-praxis-1)Annonce principale, datée de septembre 2026. Elle présente la méthode de préentraînement, la comparaison d’erreurs de placement de 16,1 et 16,0 cm, la note d’incertitude portant sur 93 paires, les séquences choisies, les partenaires et la publication prévue des poids. Runway est le développeur ; il s’agit de ses propres résultats et descriptions.
- [Runway Research, « Accélérer l’évaluation des politiques robotiques grâce aux modèles du monde généralistes »](https://runway.com/research/accelerating-robot-policy-evaluation)Travaux antérieurs distincts à l’origine de la corrélation de 0,95 entre classement en simulation et dans le monde réel, citée dans l’annonce de Praxis-1. Ils ne mesurent pas les performances de Praxis-1 en conditions réelles.
- [Runway Robotics, page produit du modèle de politique](https://runway.com/product/robotics/policy-model)Présente une offre distincte de personnalisation du modèle GWM-1 et de SDK. Cette source est incluse pour éviter de confondre son interface avec un guide d’intégration public de Praxis-1.
- [BIG CHANGE, « GPT-Policy teste le contexte dans des tâches avec bras robotique et d’exploration mobile »](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) et [« HomeBody relie la mémoire spatiale d’un humanoïde à des compétences robotiques réutilisables »](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) : articles antérieurs sur d’autres approches du contrôle robotique. Aucun des deux n’établit les performances de Praxis-1.

## Sources

- [Runway Research, Présentation de Praxis-1](https://runway.com/research/introducing-praxis-1) — Annonce du développeur concernant le préentraînement vidéo, la comparaison des placements finaux, la note d’incertitude sur 93 paires d’évaluation, les séquences et partenaires choisis, l’accès limité et les poids publics prévus. Elle ne fournit ni protocole reproductible, ni poids publics, ni preuve indépendante d’un déploiement.
- [Runway Research, Accélérer l’évaluation des politiques robotiques grâce aux modèles du monde généralistes](https://runway.com/research/accelerating-robot-policy-evaluation) — Évaluation antérieure distincte des modèles du monde, à l’origine de la corrélation de 0,95 dans le classement des politiques. Elle porte sur huit politiques et des tâches de manipulation sur table avec un bras Franka Panda ; ce n’est pas un résultat de terrain pour Praxis-1.
- [Runway Robotics, Modèle de politique](https://runway.com/product/robotics/policy-model) — Décrit une offre distincte d’ajustement fin personnalisé pour GWM-1, d’inférence dans le cloud et de SDK. Ne précise ni l’interface de Praxis-1, ni ses coûts ou ses exigences matérielles.
- [BIG CHANGE, GPT-Policy teste le contexte dans des tâches avec bras robotique et d’exploration mobile](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — Articles antérieurs sur un modèle fixe de vision et langage guidé par du contexte et capable d’envoyer des commandes à un robot ; pertinence limitée au contexte.
- [BIG CHANGE, HomeBody relie la mémoire spatiale d’un humanoïde à des compétences robotiques réutilisables](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) — Article antérieur sur la mémoire spatiale et des compétences réutilisables dans une démonstration d’humanoïde ; pertinence limitée au contexte.