Edição em Markdown

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

# Runway apresenta o Praxis-1, que testa uma abordagem de controle robótico treinada com vídeo

> A Runway afirma que o Praxis-1 aplica pré-treinamento com vídeo ao controle de robôs. A comparação do erro de posicionamento oferece um indício limitado, enquanto os pesos públicos e detalhes mais completos da avaliação ainda não estão disponíveis.

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.

A Runway anunciou [o Praxis-1](https://runway.com/research/introducing-praxis-1), uma política para robôs que, segundo a empresa, se baseia no pré-treinamento em grande escala com vídeo usado em seus modelos de mundo. A empresa relata testes com parceiros selecionados de robótica, usando os próprios equipamentos deles. Planeja disponibilizar publicamente os pesos do modelo nos próximos meses; eles ainda não estavam disponíveis na página do anúncio quando a BIG CHANGE a consultou em 3 de outubro. A Runway data a página como setembro de 2026, sem especificar o dia.

A questão central é se vídeos cotidianos podem dar a uma política robótica conhecimento útil antes que ela aprenda com demonstrações feitas por robôs. A Runway apresenta uma comparação de erro de posicionamento e clipes de tarefas selecionadas. Ainda não foram publicados detalhes necessários para reproduzir o resultado.

## A grande mudança

- **O que mudou:** A Runway está aplicando o pré-treinamento com vídeo à previsão de ações robóticas e relata testes em vários tipos de equipamento de parceiros. Isso oferece uma possível maneira de aproveitar a abundância de imagens em terceira pessoa em uma área na qual é caro coletar dados de demonstrações com robôs. O Praxis-1 continua em acesso limitado a parceiros selecionados.
- **Por que isso importa:** O gráfico da Runway informa erro final de posicionamento, após o ajuste fino, de 16,1 cm para o pré-treinamento com vídeos da web e 16,0 cm para o pré-treinamento com vídeos de robôs teleoperados. As estimativas pontuais exibidas são próximas. As barras de ±1 erro-padrão da média para 93 pares de avaliação não demonstram diferença significativa nem equivalência; além disso, o protocolo publicado é limitado demais para julgar o desempenho em outro robô.
- **O que observar:** A publicação dos pesos, os detalhes da avaliação por tarefa e os resultados dos parceiros permitiriam aos pesquisadores avaliar quanto o pré-treinamento com vídeo contribui e que adaptação cada robô exige. A Runway prometeu disponibilizar os pesos, mas não informou uma data firme.

## Como o vídeo entra na política

A [página de pesquisa do Praxis-1 da Runway](https://runway.com/research/introducing-praxis-1) diz que seus grandes modelos de vídeo aprendem padrões de comportamento de objetos, movimentos das mãos e tarefas físicas. A empresa afirma que o Praxis-1 incorpora esse pré-treinamento a uma política robótica generalista. Seu argumento é que vídeos em terceira pessoa podem oferecer um ponto de partida útil antes do treinamento específico para cada tarefa. A página diz que o desempenho da política melhora à medida que aumenta a escala dos vídeos em terceira pessoa.

A página não descreve o formato de observação do Praxis-1, a saída de ações, o procedimento de ajuste fino, a interface de inferência nem a frequência de controle. Também não oferece arquivos de pesos nem requisitos de hardware. Essas lacunas importam para quem tenta estimar a adaptação necessária para uma câmera, uma garra ou uma base móvel específicas. A Runway mantém uma página [separada do produto de política robótica GWM-1](https://runway.com/product/robotics/policy-model) que descreve um arranjo de ajuste fino personalizado e um SDK na nuvem. Não se deve presumir que a interface e os termos comerciais desse produto se apliquem ao Praxis-1.

Os clipes da Runway mostram uma instrução para colocar uma bola de tênis, uma base móvel se aproximando de uma prateleira e pegando um livro, além de exemplos com objetos repetidos, desordem, materiais transparentes e tecido. Outro clipe tem a legenda de que a mesma política se desloca entre um estúdio e uma cozinha sem novo treinamento. São exemplos escolhidos pela desenvolvedora; a página não informa o número de tentativas nem as taxas de sucesso.

## O que o gráfico de erro de posicionamento mostra

A única comparação numérica na página da Runway é o **erro final de posicionamento após o ajuste fino**, medido em centímetros; valores menores são melhores. O gráfico marca o pré-treinamento com vídeos da web desde o início em **16,1 cm** e o pré-treinamento com vídeos de robôs teleoperados desde o início em **16,0 cm**. A Runway representa as horas de vídeo de pré-treinamento e diz que as barras de erro e a faixa correspondem a **±1 erro-padrão da média em 93 pares de avaliação**. A observação informa que diferenças menores que uma barra não são significativas.

As estimativas pontuais exibidas diferem em 0,1 cm. Nesta página, a Runway não publicou a variedade de tarefas, o número de robôs ou ambientes, como foram formados os 93 pares, quanto dado robótico foi usado no ajuste fino nem um teste estatístico completo. Na comparação escolhida pela Runway, as estimativas pontuais do erro final de posicionamento após o ajuste fino são próximas. O gráfico não demonstra diferença estatisticamente significativa nem equivalência nessa medida. Também não comprova a conclusão confiável das tarefas mais longas mostradas nos clipes nem a redução da necessidade de dados reais de implantação.

A Runway também cita uma **correlação de 0,95** entre resultados de políticas robóticas simulados e do mundo real. Esse número vem de sua [pesquisa anterior de avaliação de políticas](https://runway.com/research/accelerating-robot-policy-evaluation), que classificou oito políticas em tarefas de bancada com um braço Franka Panda. É um estudo separado de avaliação de políticas, não uma medida de desempenho do Praxis-1 em campo.

## Como está o acesso

A Runway cita [Noble Machines, Standard Bots e Ultra](https://runway.com/research/introducing-praxis-1) como parceiros iniciais que usam o Praxis-1 em seus próprios equipamentos. Nessa seção, o anúncio descreve manipulação bimanual, um braço com seis graus de liberdade e uma base móvel. A Runway afirma que está avaliando a eficácia e a segurança em diferentes configurações robóticas e ambientes antes da disponibilidade geral e convida outros parceiros selecionados a contatar sua equipe de robótica.

Para pesquisadores fora desse programa, o material disponível se limita ao anúncio, ao gráfico e aos clipes. A página não oferece um download público dos pesos do Praxis-1, um procedimento de integração publicado nem um pacote de avaliação reproduzível. A Runway não informa taxas de acesso, licença futura dos pesos, requisitos computacionais ou uma data de lançamento geral. Uma equipe que avalie o acesso antecipado pode usar as informações públicas para orientar uma conversa sobre seu próprio hardware e suas necessidades de avaliação, mas não consegue reproduzir apenas com o anúncio a comparação relatada. A BIG CHANGE não solicitou acesso nem testou um robô.

Nossas reportagens anteriores sobre [GPT-Policy](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) e [HomeBody](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) examinam outras questões de pesquisa. O GPT-Policy envia instruções a um modelo de visão e linguagem fixo, usando demonstrações e retorno do robô; o HomeBody conecta a memória espacial de um humanoide a habilidades reutilizáveis. O Praxis-1 investiga se o pré-treinamento amplo com vídeo pode melhorar a própria política. A Runway ainda não publicou a implementação nem detalhes de avaliação suficientes para verificar o desempenho além da comparação apresentada.

## Fontes e leituras complementares

- [Pesquisa da Runway, “Apresentamos o Praxis-1”](https://runway.com/research/introducing-praxis-1): Anúncio principal, datado de setembro de 2026. Apresenta a afirmação sobre o pré-treinamento, a comparação de erro de posicionamento de 16,1/16,0 cm, a observação de incerteza com 93 pares, clipes e parceiros selecionados e a planejada liberação dos pesos. A Runway é a desenvolvedora; os resultados e descrições são da própria empresa.
- [Pesquisa da Runway, “Acelerando a avaliação de políticas robóticas com modelos gerais de mundo”](https://runway.com/research/accelerating-robot-policy-evaluation): Trabalho anterior e separado, relacionado à correlação de 0,95 entre simulação e mundo real citada no anúncio do Praxis-1. Não mede o desempenho do Praxis-1 em implantação.
- [Runway Robotics, página de produto de política robótica](https://runway.com/product/robotics/policy-model): Descreve uma oferta separada de política personalizada GWM-1 e SDK. Incluída para evitar que sua interface seja confundida com um guia de integração pública do Praxis-1.
- [BIG CHANGE, “GPT-Policy testa o contexto em tarefas de braço robótico e exploração móvel”](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) e [“HomeBody conecta a memória espacial de um humanoide a habilidades robóticas reutilizáveis”](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills): Cobertura anterior de abordagens diferentes para controle de robôs. Nenhuma das duas comprova o desempenho do Praxis-1.

## Sources

- [Pesquisa da Runway, Apresentamos o Praxis-1](https://runway.com/research/introducing-praxis-1) — Anúncio da desenvolvedora sobre o pré-treinamento com vídeo, a comparação de posicionamento final, a observação de incerteza com 93 pares de avaliação, os clipes e parceiros selecionados e os pesos públicos planejados. Não fornece protocolo reproduzível, pesos públicos nem evidências independentes de implantação.
- [Pesquisa da Runway, Acelerando a avaliação de políticas robóticas com modelos gerais de mundo](https://runway.com/research/accelerating-robot-policy-evaluation) — Avaliação anterior e separada da desenvolvedora, relacionada à correlação de 0,95 na classificação de políticas. Testou oito políticas em tarefas de bancada com um braço Franka Panda; não é um resultado de campo do Praxis-1.
- [Runway Robotics, Política robótica](https://runway.com/product/robotics/policy-model) — Descreve uma oferta separada de ajuste fino personalizado do GWM-1, inferência na nuvem e SDK. Não especifica a interface, os custos nem os requisitos de hardware do Praxis-1.
- [BIG CHANGE, GPT-Policy testa o contexto em tarefas de braço robótico e exploração móvel](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — Cobertura anterior de um modelo fixo de visão e linguagem instruído com contexto e que emite solicitações a ferramentas robóticas; incluída apenas como contexto relacionado.
- [BIG CHANGE, HomeBody conecta a memória espacial de um humanoide a habilidades robóticas reutilizáveis](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) — Cobertura anterior de memória espacial e habilidades reutilizáveis em uma demonstração com humanoide; incluída apenas como contexto relacionado.