Версия Markdown

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

# Runway испытывает Praxis-1 — подход к управлению роботами на основе обучения на видео

> По словам Runway, Praxis-1 применяет предварительное обучение на видео для управления роботами. Сравнение ошибки позиционирования дает ограниченный сигнал; открытые веса и более подробные результаты оценки пока недоступны.

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.

2 октября Runway объявила о [Praxis-1](https://runway.com/research/introducing-praxis-1) — политике управления роботом, которая, по словам компании, опирается на масштабное предварительное обучение на видео, лежащее в основе ее моделей мира. Компания сообщает, что тестировала модель с отдельными партнерами в сфере робототехники на их собственном оборудовании. В ближайшие месяцы Runway планирует открыть веса модели; на странице объявления их еще не было, когда BIG CHANGE проверил ее 3 октября. На странице указано, что она датирована сентябрем 2026 года, но точный день не назван.

Главный вопрос — может ли обычное видео дать политике управления роботом полезные знания до обучения на демонстрациях работы роботов. Runway приводит сравнение ошибки позиционирования и отдельные видеоролики с примерами задач. Данные, необходимые для воспроизведения результата, пока не опубликованы.

## Главное изменение

- **Что изменилось:** Runway переносит предварительное обучение на видео в прогнозирование действий робота и сообщает об испытаниях на нескольких типах оборудования партнеров. Это может дать способ использовать обширные видеозаписи от третьего лица в области, где сбор демонстрационных данных роботов обходится дорого. Доступ к Praxis-1 пока предоставляется только отдельным участникам.
- **Почему это важно:** На графике Runway указана конечная ошибка позиционирования после дообучения: 16,1 см для предварительного обучения на веб-видео и 16,0 см для предварительного обучения на видео телеуправляемых роботов. Представленные точечные оценки близки. Полосы ±1 SEM по 93 парам оценки не доказывают ни статистически значимого различия, ни эквивалентности, а опубликованного протокола недостаточно, чтобы судить о работе на другом роботе.
- **За чем следить:** Открытая публикация весов, подробности оценки на уровне задач и результаты партнеров позволят исследователям понять, насколько полезно предварительное обучение на видео и какая адаптация нужна каждому роботу. Runway пообещала выпустить веса, но не назвала точную дату.

## Как видео используется в политике управления

На [странице исследований Praxis-1 от Runway](https://runway.com/research/introducing-praxis-1) говорится, что крупные видеомодели компании изучают закономерности поведения объектов, движений рук и физических задач. По словам компании, Praxis-1 переносит это предварительное обучение в универсальную политику управления роботом. Runway считает, что записи от третьего лица могут стать полезной отправной точкой перед обучением робота конкретным задачам. На странице также сказано, что производительность политики растет вместе с объемом видео от третьего лица.

На странице не описаны формат наблюдений Praxis-1, выдаваемые действия, процедура дообучения, интерфейс инференса или частота управления. Там также нет файлов весов и требований к оборудованию. Эти пробелы важны инженеру, которому нужно оценить адаптацию под конкретную камеру, захват или мобильную платформу. У Runway есть [отдельная страница продукта GWM-1 — модели политики управления](https://runway.com/product/robotics/policy-model) с описанием индивидуальной настройки и облачного SDK. Не следует считать, что ее интерфейс или коммерческие условия применимы к Praxis-1.

В роликах Runway показаны команда положить теннисный мяч в заданное место, мобильная платформа, подъезжающая к полке и берущая книгу, а также примеры с повторяющимися объектами, беспорядком, прозрачными материалами и тканью. Еще один ролик подписан как демонстрация перемещения одной и той же политики между студией и кухней без переобучения. Это примеры, отобранные разработчиком; на странице не указаны число испытаний или доля успешных попыток.

## Что показывает график ошибки позиционирования

Единственное числовое сравнение на странице Runway — это **конечная ошибка позиционирования после дообучения**, измеренная в сантиметрах; меньшие значения лучше. На графике указана ошибка **16,1 см** для предварительного обучения на веб-видео с нуля и **16,0 см**. Runway показывает часы предварительного обучения на видео и сообщает, что полосы ошибок и диапазон отражают **±1 стандартную ошибку среднего по 93 парам оценки**. В примечании сказано, что различия меньше длины полосы статистически незначимы.

Представленные точечные оценки различаются на 0,1 см. На этой странице Runway не опубликовала набор задач, число роботов и сред, способ формирования 93 пар, объем данных роботов, использованных при дообучении, или полный статистический тест. В выбранном Runway сравнении заявленные точечные оценки конечной ошибки позиционирования после дообучения близки. График не доказывает статистически значимого различия или эквивалентности по этой метрике. Он также не показывает, что длинные задачи из роликов надежно выполняются или что для реального внедрения требуется меньше данных.

Runway также ссылается на **корреляцию 0,95** между результатами политик управления роботами в симуляции и реальном мире. Этот показатель взят из [более раннего исследования оценки политик](https://runway.com/research/accelerating-robot-policy-evaluation), в котором сравнивались восемь политик для настольных задач на одной руке Franka Panda. Это отдельное исследование оценки политик, а не показатель полевой эффективности Praxis-1.

## Как обстоят дела с доступом

Runway называет [Noble Machines, Standard Bots и Ultra](https://runway.com/research/introducing-praxis-1) ранними партнерами, которые используют Praxis-1 на собственном оборудовании. В этой части объявления упоминаются манипуляции двумя руками, манипулятор с шестью степенями свободы и мобильная платформа. Runway сообщает, что до общего выпуска оценивает эффективность и безопасность на разных типах роботов и в разных средах, и приглашает других выбранных партнеров связаться со своей командой по робототехнике.

Исследователям вне этой программы доступны объявление, график и ролики. На странице нет ссылок на открытые веса Praxis-1, опубликованную процедуру интеграции или воспроизводимый пакет оценки. Runway не указывает плату за ранний доступ, будущую лицензию на веса, требования к вычислительным ресурсам или дату общего выпуска. Команда, рассматривающая ранний доступ, может использовать общедоступные материалы, чтобы обсудить собственное оборудование и потребности в оценке, но не сможет воспроизвести заявленное сравнение только по объявлению. BIG CHANGE не запрашивала доступ и не испытывала робота.

В наших предыдущих материалах о [GPT-Policy](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) и [HomeBody](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) рассматривались другие исследовательские вопросы. GPT-Policy подает демонстрации и обратную связь от робота фиксированной визуально-языковой модели; HomeBody связывает память о помещении у человекоподобного робота с повторно используемыми навыками. Praxis-1 проверяет, может ли широкое предварительное обучение на видео улучшить саму политику управления. Runway еще не опубликовала реализацию и достаточно подробностей оценки, чтобы проверить ее работу за пределами приведенного сравнения.

## Источники и дополнительная литература

- [Runway Research, «Представляем Praxis-1»](https://runway.com/research/introducing-praxis-1): основное объявление, датированное сентябрем 2026 года. В нем изложены сведения о предварительном обучении, сравнении ошибок позиционирования 16,1/16,0 см, неопределенности по 93 парам оценки, выбранных роликах и партнерах, а также о планируемой публикации весов. Runway — разработчик; результаты и описания принадлежат самой компании.
- [Runway Research, «Ускорение оценки политик управления роботами с помощью общих моделей мира»](https://runway.com/research/accelerating-robot-policy-evaluation): отдельная более ранняя работа, лежащая в основе корреляции 0,95 между симуляцией и реальным миром, упомянутой в объявлении Praxis-1. Она не оценивает эффективность Praxis-1 при внедрении.
- [Страница продукта Runway Robotics — модели политики управления](https://runway.com/product/robotics/policy-model): описывает отдельное предложение GWM-1 с индивидуальной настройкой и SDK. Включено, чтобы его интерфейс не приняли за общедоступное руководство по интеграции Praxis-1.
- [BIG CHANGE, «GPT-Policy проверяет использование контекста в задачах с роботизированной рукой и мобильной разведкой»](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) и [«HomeBody связывает пространственную память человекоподобного робота с повторно используемыми навыками»](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills): предыдущие материалы о других подходах к управлению роботами. Ни один из них не подтверждает эффективность Praxis-1.

## Sources

- [Runway Research, Представляем Praxis-1](https://runway.com/research/introducing-praxis-1) — Объявление разработчика о предварительном обучении на видео, сравнении конечной ошибки позиционирования, неопределенности по 93 парам оценки, выбранных роликах и партнерах, ограниченном раннем доступе и планируемой публикации весов. В нем нет воспроизводимого протокола, открытых весов или независимых свидетельств эффективности при внедрении.
- [Runway Research, Ускорение оценки политик управления роботами с помощью общих моделей мира](https://runway.com/research/accelerating-robot-policy-evaluation) — Отдельная более ранняя оценка моделей мира разработчика, связанная с корреляцией 0,95 в ранжировании политик. В ней оценивались восемь политик для настольных задач на одной руке Franka Panda; это не полевой результат Praxis-1.
- [Runway Robotics, модель политики управления](https://runway.com/product/robotics/policy-model) — Описывает отдельное предложение GWM-1: индивидуальное дообучение, облачный инференс и SDK. В нем не указаны интерфейс Praxis-1, стоимость или требования к оборудованию.
- [BIG CHANGE, GPT-Policy проверяет использование контекста в задачах с роботизированной рукой и мобильной разведкой](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — Предыдущий материал о фиксированной визуально-языковой модели, получающей контекст и отправляющей запросы инструментам робота; связь с текущей темой — только контекстная.
- [BIG CHANGE, HomeBody связывает пространственную память человекоподобного робота с повторно используемыми роботизированными навыками](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) — Предыдущий материал о пространственной памяти и повторно используемых навыках в демонстрации человекоподобного робота; связь с текущей темой — только контекстная.