Edição Markdown

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

# A Runway testa com o Praxis-1 uma abordagem de controlo robótico treinada com vídeo

> A Runway afirma que o Praxis-1 aplica o pré-treino com vídeo ao controlo de robôs. A comparação do erro de posicionamento fornece um indício limitado, enquanto os pesos públicos e os detalhes completos da avaliação continuam indisponíveis.

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 robótica que, segundo a empresa, se baseia no pré-treino em grande escala com vídeo usado nos seus modelos do mundo. A empresa afirma que o modelo foi testado com parceiros de robótica selecionados, nos equipamentos destes. Prevê disponibilizar publicamente os pesos do modelo nos próximos meses; estes ainda não estavam disponíveis na página do anúncio quando a BIG CHANGE a consultou, a 3 de outubro. A Runway data a página de setembro de 2026, sem especificar o dia.

A questão central é saber se os vídeos do quotidiano podem proporcionar conhecimento útil a uma política robótica antes de esta aprender com demonstrações de robôs. A Runway apresenta uma comparação do erro de posicionamento e clipes de tarefas selecionadas. Os detalhes necessários para reproduzir o resultado ainda não foram publicados.

## A grande mudança

- **O que mudou:** A Runway está a aplicar o pré-treino com vídeo à previsão de ações robóticas e afirma ter realizado testes em vários tipos de equipamento dos parceiros. Isto poderá permitir aproveitar a abundância de imagens captadas por terceiros num domínio em que a recolha de dados de demonstrações com robôs é dispendiosa. O Praxis-1 continua disponível apenas para parceiros selecionados.
- **Por que isso importa:** O gráfico da Runway indica um erro final de posicionamento, após o ajuste fino, de 16,1 cm para o pré-treino com vídeos da Web e 16,0 cm para o pré-treino com vídeos de robôs teleoperados. As estimativas pontuais apresentadas são próximas. As barras de ±1 erro-padrão da média, calculadas sobre 93 pares de avaliação, não demonstram uma diferença significativa nem equivalência; além disso, o protocolo publicado é demasiado limitado para avaliar o desempenho noutro robô.
- **O que observar:** A publicação dos pesos, dos detalhes da avaliação por tarefa e dos resultados dos parceiros permitiria aos investigadores avaliar o contributo do pré-treino com vídeo e a adaptação necessária para cada robô. A Runway prometeu disponibilizar os pesos, mas não indicou uma data concreta.

## Como o vídeo entra na política

A [página de pesquisa do Praxis-1 da Runway](https://runway.com/research/introducing-praxis-1) afirma que os seus grandes modelos de vídeo aprendem padrões relativos ao comportamento de objetos, aos movimentos das mãos e a tarefas físicas. A empresa diz que o Praxis-1 integra esse pré-treino numa política robótica generalista. Segundo a Runway, os vídeos captados por terceiros podem proporcionar um ponto de partida útil antes do treino robótico específico para cada tarefa. A página afirma que o desempenho da política melhora à medida que aumenta a escala dos vídeos captados por terceiros.

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 controlo. Também não disponibiliza ficheiros de pesos nem requisitos de equipamento. Estas lacunas são relevantes para os engenheiros que tentam estimar a adaptação necessária a uma câmara, garra ou base móvel específica. 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 ténis, uma base móvel a aproximar-se de uma prateleira e a recolher um livro, bem como exemplos com objetos repetidos, espaços desarrumados, materiais transparentes e tecido. Outro clipe tem a legenda de que a mesma política se desloca entre um estúdio e uma cozinha sem voltar a ser treinada. São exemplos escolhidos pelo programador; a página não indica 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 mais baixos são melhores. O gráfico identifica o pré-treino com vídeos da Web a partir do zero em **16,1 cm** e o pré-treino com vídeos de robôs teleoperados a partir do zero em **16,0 cm**. A Runway representa as horas de vídeo de pré-treino 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 apresentadas diferem em 0,1 cm. Nesta página, a Runway não publicou a composição das tarefas, o número de robôs ou de ambientes, o método de formação dos 93 pares, a quantidade de dados robóticos usada no ajuste fino nem um teste estatístico completo. Na comparação que decidiu apresentar, as estimativas pontuais do erro final de posicionamento após o ajuste fino são próximas. O gráfico não demonstra uma diferença estatisticamente significativa nem equivalência nessa medida. Também não comprova a conclusão fiável das tarefas mais longas mostradas nos clipes nem a redução da necessidade de dados recolhidos em condições reais de implementação.

A Runway também cita uma **correlação de 0,95** entre resultados de políticas robóticas simulados e resultados no mundo real. Esse valor provém da [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. Trata-se de um estudo separado sobre avaliação de políticas, não de uma medida do desempenho do Praxis-1 em utilização real.

## Como está o acesso

A Runway cita [Noble Machines, Standard Bots e Ultra](https://runway.com/research/introducing-praxis-1) como parceiros iniciais que utilizam o Praxis-1 nos seus próprios equipamentos. Nessa secção, o anúncio descreve manipulação bimanual, um braço com seis graus de liberdade e uma base móvel. A Runway afirma estar a avaliar a eficácia e a segurança em diferentes plataformas robóticas e ambientes antes da disponibilização geral; convida ainda outros parceiros selecionados a contactar a sua equipa de robótica.

Para os investigadores fora desse programa, o material disponível limita-se ao anúncio, ao gráfico e aos clipes. A página não disponibiliza uma transferência pública dos pesos do Praxis-1, um procedimento de integração publicado nem um pacote de avaliação reproduzível. A Runway não indica custos de acesso, a eventual licença dos pesos, os requisitos computacionais nem uma data de lançamento geral. Uma equipa que esteja a considerar o acesso antecipado pode usar a informação pública para orientar uma conversa sobre o seu próprio equipamento e as respetivas necessidades de avaliação, mas não consegue reproduzir a comparação apresentada apenas com base no anúncio. A BIG CHANGE não solicitou acesso nem testou qualquer 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 diferentes questões de investigação. O GPT-Policy utiliza demonstrações e feedback do robô para dar instruções a um modelo fixo de visão e linguagem; o HomeBody associa a memória espacial de um humanoide a competências reutilizáveis. O Praxis-1 investiga se um pré-treino amplo com vídeo pode melhorar a própria política. A Runway ainda não publicou a implementação nem detalhes de avaliação suficientes para verificar o desempenho para 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 alegação sobre o pré-treino, a comparação do erro de posicionamento de 16,1/16,0 cm, a nota de incerteza relativa aos 93 pares, os clipes e parceiros selecionados e o plano de disponibilizar os pesos. A Runway é a empresa responsável pelo desenvolvimento; os resultados e as descrições são seus.
- [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 independente que serve de base à correlação de 0,95 entre simulação e mundo real, citada no anúncio do Praxis-1. Não avalia o desempenho do Praxis-1 em utilização real.
- [Runway Robotics, página de produto de política robótica](https://runway.com/product/robotics/policy-model): Descreve uma oferta independente de política personalizada e SDK para o GWM-1. Esta fonte foi incluída para evitar que a respetiva interface seja confundida com um guia público de integração 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 controlo 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 empresa responsável pelo desenvolvimento sobre a alegação de pré-treino com vídeo, a comparação do erro final de posicionamento, a nota de incerteza relativa aos 93 pares de avaliação, os clipes e parceiros selecionados, o acesso antecipado limitado e o plano de disponibilizar os pesos ao público. Não fornece um protocolo reproduzível, pesos públicos nem evidências independentes de desempenho em utilização real.
- [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 independente da empresa responsável pelo desenvolvimento, na qual se baseia a correlação de 0,95 entre a classificação das políticas. Testou oito políticas em tarefas de bancada com um braço Franka Panda; não apresenta resultados do Praxis-1 em utilização real.
- [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 ao qual se dão instruções com contexto e que emite pedidos 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 da memória espacial e das competências reutilizáveis numa demonstração com um humanoide; incluída apenas como contexto relacionado.