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

# Runway का Praxis-1 वीडियो पर प्रशिक्षित रोबोट नियंत्रण नीति की राह परखता है

> Runway के अनुसार, Praxis-1 वीडियो प्रीट्रेनिंग को रोबोट नियंत्रण में लागू करता है। वस्तु रखने की त्रुटि की तुलना एक सीमित संकेत देती है; सार्वजनिक वेट्स और अधिक विस्तृत मूल्यांकन का विवरण अभी उपलब्ध नहीं है।

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 ने [Praxis-1 की घोषणा की](https://runway.com/research/introducing-praxis-1), एक रोबोट नियंत्रण नीति, जिसके बारे में कंपनी कहती है कि यह उसके विश्व-मॉडलों के पीछे मौजूद बड़े पैमाने की वीडियो प्रीट्रेनिंग पर आधारित है। कंपनी का कहना है कि चुनिंदा रोबोटिक्स साझेदारों के साथ उनकी अपनी मशीनों पर परीक्षण किया गया। Runway आने वाले महीनों में मॉडल वेट्स सार्वजनिक रूप से जारी करने की योजना बताता है; BIG CHANGE ने 3 अक्टूबर को जाँचा तो घोषणा-पृष्ठ पर वेट्स उपलब्ध नहीं थे। Runway पृष्ठ को सितंबर 2026 का बताता है, लेकिन दिन नहीं बताता।

इसके पीछे सवाल यह है कि क्या रोज़मर्रा के वीडियो से रोबोट नियंत्रण नीति को उपयोगी जानकारी मिल सकती है, इससे पहले कि वह रोबोट द्वारा किए गए काम के उदाहरणों से सीखे। Runway वस्तु-स्थापन त्रुटि की तुलना और चुनिंदा कार्यों के वीडियो दिखाता है। नतीजे को दोहराने के लिए ज़रूरी विवरण प्रकाशित नहीं हैं।

## बड़ा बदलाव

- **क्या बदला:** Runway वीडियो प्रीट्रेनिंग को रोबोट की कार्रवाई के पूर्वानुमान तक ला रहा है और कई तरह के साझेदार हार्डवेयर पर परीक्षणों की रिपोर्ट दे रहा है। इससे ऐसे क्षेत्र में तीसरे व्यक्ति के नज़रिए से बने भरपूर वीडियो इस्तेमाल करने का एक संभावित रास्ता मिलता है, जहाँ रोबोट द्वारा काम किए जाने के प्रदर्शन-डेटा को जुटाना महँगा है। Praxis-1 की पहुँच अभी चुनिंदा लोगों तक है।
- **यह क्यों मायने रखता है:** Runway के चार्ट में फ़ाइन-ट्यूनिंग के बाद वस्तु रखने की अंतिम त्रुटि वेब वीडियो प्रीट्रेनिंग के लिए 16.1 सेमी और दूर-संचालित रोबोट वीडियो प्रीट्रेनिंग के लिए 16.0 सेमी है। दिखाए गए बिंदु अनुमान एक-दूसरे के करीब हैं। 93 मूल्यांकन जोड़ों पर ±1 SEM त्रुटि-बार न तो महत्वपूर्ण अंतर साबित करते हैं, न समानता; प्रकाशित प्रोटोकॉल इतना सीमित है कि किसी दूसरे रोबोट पर प्रदर्शन का आकलन नहीं हो सकता।
- **किन बातों पर नज़र रखें:** सार्वजनिक वेट्स, कार्य-स्तर के मूल्यांकन विवरण और साझेदारों के नतीजे शोधकर्ताओं को यह जाँचने देंगे कि वीडियो प्रीट्रेनिंग कितना योगदान देती है और हर रोबोट को किस अनुकूलन की ज़रूरत है। Runway ने वेट्स देने का वादा किया है, पर निश्चित रिलीज़ तारीख नहीं बताई।

## वीडियो नियंत्रण नीति में कैसे आता है

Runway का [Praxis-1 शोध पृष्ठ](https://runway.com/research/introducing-praxis-1) कहता है कि उसके बड़े वीडियो मॉडल वस्तुओं के व्यवहार, हाथों की गतिविधि और शारीरिक कामों के ढर्रे सीखते हैं। कंपनी के अनुसार, Praxis-1 इस प्रीट्रेनिंग को सामान्य प्रयोजन की रोबोट नियंत्रण नीति में लाता है। उसका तर्क है कि किसी खास काम के लिए रोबोट को प्रशिक्षित करने से पहले तीसरे व्यक्ति के नज़रिए के वीडियो उपयोगी शुरुआती आधार दे सकते हैं। पृष्ठ कहता है कि तीसरे व्यक्ति के नज़रिए वाले वीडियो का पैमाना बढ़ने पर नियंत्रण नीति का प्रदर्शन बेहतर होता है।

पृष्ठ Praxis-1 के अवलोकन स्वरूप, कार्रवाई के आउटपुट, फ़ाइन-ट्यूनिंग प्रक्रिया, अनुमान इंटरफ़ेस या नियंत्रण आवृत्ति का वर्णन नहीं करता। यह वेट फ़ाइलें या हार्डवेयर की ज़रूरतें भी नहीं देता। किसी खास कैमरा, ग्रिपर या मोबाइल बेस के लिए अनुकूलन का अनुमान लगाने वाले इंजीनियर के लिए ये कमियाँ अहम हैं। Runway का [GWM-1 नियंत्रण-मॉडल का अलग उत्पाद पृष्ठ](https://runway.com/product/robotics/policy-model) कस्टम फ़ाइन-ट्यूनिंग और क्लाउड SDK की व्यवस्था बताता है। यह मानना ठीक नहीं कि उसका इंटरफ़ेस और व्यावसायिक शर्तें Praxis-1 पर भी लागू होंगी।

Runway के वीडियो क्लिप टेनिस बॉल रखने के निर्देश, मोबाइल बेस के शेल्फ़ तक जाकर किताब उठाने और एक जैसी कई वस्तुओं, बिखरे सामान, पारदर्शी सामग्री तथा कपड़े से जुड़े उदाहरण दिखाते हैं। एक और क्लिप के कैप्शन में उसी नियंत्रण नीति को बिना दोबारा प्रशिक्षण के स्टूडियो और रसोई के बीच काम करते दिखाया गया है। ये डेवलपर द्वारा चुने गए उदाहरण हैं; पृष्ठ इनके परीक्षणों की संख्या या सफलता दर नहीं बताता।

## वस्तु-स्थापन त्रुटि का चार्ट क्या कहता है

Runway के पृष्ठ पर एकमात्र संख्यात्मक तुलना **फ़ाइन-ट्यूनिंग के बाद वस्तु रखने की अंतिम त्रुटि** है, जिसे सेंटीमीटर में मापा गया है; कम मान बेहतर है। चार्ट में शुरू से वेब-वीडियो प्रीट्रेनिंग के लिए **16.1 सेमी** और शुरू से दूर-संचालित रोबोट-वीडियो प्रीट्रेनिंग के लिए **16.0 सेमी** दिखाया गया है। Runway प्रीट्रेनिंग वीडियो के घंटे दर्शाता है और कहता है कि त्रुटि-बार तथा पट्टी **93 मूल्यांकन जोड़ों पर औसत की ±1 मानक त्रुटि** दर्शाते हैं। चार्ट की टिप्पणी के अनुसार, बार से छोटा अंतर महत्वपूर्ण नहीं है।

दिखाए गए बिंदु अनुमानों में 0.1 सेमी का अंतर है। इस पृष्ठ पर Runway ने कामों का मिश्रण, रोबोट या परिवेशों की संख्या, 93 जोड़े कैसे बनाए गए, फ़ाइन-ट्यूनिंग में कितना रोबोट डेटा लगा या पूरा सांख्यिकीय परीक्षण प्रकाशित नहीं किया। Runway ने जो तुलना दिखाना चुना, उसमें फ़ाइन-ट्यूनिंग के बाद बताई गई वस्तु-स्थापन की अंतिम त्रुटि के बिंदु अनुमान करीब हैं। चार्ट इस माप पर सांख्यिकीय रूप से महत्वपूर्ण अंतर या समानता साबित नहीं करता। यह वीडियो में दिखाए गए लंबे कामों की विश्वसनीय सफलता या वास्तविक तैनाती के डेटा की ज़रूरत घटने का प्रमाण भी नहीं है।

Runway एक **0.95 सहसंबंध** का भी उल्लेख करता है, जो सिमुलेशन और वास्तविक दुनिया में रोबोट नियंत्रण नीतियों के नतीजों के बीच है। यह आँकड़ा उसके [पहले के नियंत्रण-नीति मूल्यांकन शोध](https://runway.com/research/accelerating-robot-policy-evaluation) से आया है, जिसमें एक Franka Panda भुजा से टेबल पर होने वाले कामों में आठ नीतियों की रैंकिंग की गई थी। वह नियंत्रण-नीति मूल्यांकन का अलग अध्ययन है, Praxis-1 के वास्तविक क्षेत्र में प्रदर्शन का माप नहीं।

## पहुँच की मौजूदा स्थिति

Runway Praxis-1 का इस्तेमाल करने वाले शुरुआती साझेदारों के रूप में [Noble Machines, Standard Bots और Ultra](https://runway.com/research/introducing-praxis-1) के नाम बताता है, जो अपने हार्डवेयर पर इसे चला रहे हैं। घोषणा इस हिस्से में दोनों हाथों से काम करने, छह स्वतंत्रता-डिग्री वाली भुजा और मोबाइल बेस का वर्णन करती है। Runway आम उपलब्धता से पहले अलग-अलग रोबोट संरचनाओं और परिवेशों में प्रभावशीलता तथा सुरक्षा का मूल्यांकन करने की बात कहता है और अतिरिक्त चुनिंदा साझेदारों को अपनी रोबोटिक्स टीम से संपर्क करने का न्योता देता है।

इस कार्यक्रम से बाहर के शोधकर्ता के लिए उपलब्ध सामग्री घोषणा, चार्ट और वीडियो क्लिप हैं। पृष्ठ पर सार्वजनिक Praxis-1 वेट डाउनलोड, प्रकाशित इंटीग्रेशन प्रक्रिया या दोहराए जा सकने वाले मूल्यांकन पैकेज का लिंक नहीं है। Runway पहुँच शुल्क, भविष्य के वेट लाइसेंस, कंप्यूट की ज़रूरतें या आम रिलीज़ की तारीख नहीं बताता। शुरुआती पहुँच पर विचार कर रही टीम सार्वजनिक जानकारी के आधार पर अपने हार्डवेयर और मूल्यांकन की ज़रूरतों पर चर्चा कर सकती है, लेकिन केवल घोषणा से बताई गई तुलना दोहरा नहीं सकती। BIG CHANGE ने पहुँच का अनुरोध नहीं किया और किसी रोबोट का परीक्षण नहीं किया।

रोबोट को नियंत्रित करने के अलग शोध प्रश्नों पर हमारी पहले की रिपोर्टें [GPT-Policy](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) और [HomeBody](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) हैं। GPT-Policy प्रदर्शनों और रोबोट फ़ीडबैक के साथ तय दृष्टि-भाषा मॉडल को प्रॉम्प्ट देता है; HomeBody ह्यूमनॉइड की कमरे से जुड़ी स्मृति को दोबारा इस्तेमाल होने वाले कौशलों से जोड़ता है। Praxis-1 पूछता है कि क्या व्यापक वीडियो प्रीट्रेनिंग स्वयं नियंत्रण नीति को बेहतर कर सकती है। Runway ने अभी तक कार्यान्वयन या पर्याप्त मूल्यांकन विवरण जारी नहीं किया है, जिससे बताई गई तुलना से आगे प्रदर्शन जाँचा जा सके।

## स्रोत और आगे पढ़ें

- [Runway Research, “Introducing Praxis-1”](https://runway.com/research/introducing-praxis-1): सितंबर 2026 की प्राथमिक घोषणा। इसमें प्रीट्रेनिंग का दावा, 16.1/16.0 सेमी वस्तु-स्थापन त्रुटि तुलना, 93 जोड़ों के अनिश्चितता नोट, चुनिंदा क्लिप, साझेदार और भविष्य में वेट रिलीज़ की योजना है। Runway डेवलपर है; नतीजे और विवरण उसी के हैं।
- [Runway Research, “Accelerating Robot Policy Evaluation with General World Models”](https://runway.com/research/accelerating-robot-policy-evaluation): Praxis-1 घोषणा में संदर्भित 0.95 सिमुलेशन/वास्तविक-दुनिया सहसंबंध से जुड़ा पहले का अलग शोध। यह Praxis-1 की तैनाती का प्रदर्शन नहीं मापता।
- [Runway Robotics नियंत्रण-मॉडल उत्पाद पृष्ठ](https://runway.com/product/robotics/policy-model): अलग GWM-1 कस्टम नियंत्रण-नीति और SDK पेशकश का विवरण। इसे सार्वजनिक Praxis-1 इंटीग्रेशन गाइड समझने की भूल से बचाने के लिए शामिल किया गया है।
- [BIG CHANGE, “GPT-Policy tests context in robot-arm and mobile-exploration tasks”](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) और [“HomeBody connects a humanoid’s spatial memory to reusable robot skills”](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills): रोबोट नियंत्रण के अलग तरीकों पर पिछली रिपोर्टें। इनमें से कोई भी Praxis-1 के प्रदर्शन को साबित नहीं करती।

## Sources

- [Runway Research, Introducing Praxis-1](https://runway.com/research/introducing-praxis-1) — वीडियो प्रीट्रेनिंग के दावे, अंतिम वस्तु-स्थापन तुलना, 93 मूल्यांकन जोड़ों के अनिश्चितता नोट, चुनिंदा क्लिप और साझेदारों, सीमित शुरुआती पहुँच तथा नियोजित सार्वजनिक वेट्स पर डेवलपर की घोषणा। इसमें दोहराने योग्य प्रोटोकॉल, सार्वजनिक वेट्स या स्वतंत्र तैनाती-साक्ष्य नहीं हैं।
- [Runway Research, Accelerating Robot Policy Evaluation with General World Models](https://runway.com/research/accelerating-robot-policy-evaluation) — 0.95 नियंत्रण-नीति रैंकिंग सहसंबंध से जुड़ा डेवलपर का अलग पुराना विश्व-मॉडल मूल्यांकन। इसमें एक Franka Panda भुजा से टेबल पर आठ नीतियों का परीक्षण किया गया; यह Praxis-1 का वास्तविक-क्षेत्र परिणाम नहीं है।
- [Runway Robotics, Policy Model](https://runway.com/product/robotics/policy-model) — अलग GWM-1 कस्टम फ़ाइन-ट्यूनिंग, क्लाउड अनुमान और SDK पेशकश का वर्णन करता है। Praxis-1 का इंटरफ़ेस, लागत या हार्डवेयर आवश्यकताएँ नहीं बताता।
- [BIG CHANGE, GPT-Policy tests context in robot-arm and mobile-exploration tasks](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — संदर्भ के साथ प्रॉम्प्ट किए गए तय दृष्टि-भाषा मॉडल और रोबोट टूल अनुरोधों पर पिछली रिपोर्ट; यहाँ केवल विषयगत संदर्भ के रूप में।
- [BIG CHANGE, HomeBody connects a humanoid’s spatial memory to reusable robot skills](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) — ह्यूमनॉइड प्रदर्शन में स्थानिक स्मृति और दोबारा इस्तेमाल होने वाले कौशलों पर पिछली रिपोर्ट; यहाँ केवल विषयगत संदर्भ के रूप में।