Markdown பதிப்பு

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

# Runway-யின் Praxis-1, காணொளியில் முன்பயிற்சி பெற்ற முறையை ரோபோ கட்டுப்பாட்டுக்குப் பயன்படுத்துகிறது

> காணொளித் தரவின் முன்பயிற்சியை ரோபோ கட்டுப்பாட்டுக்குப் பயன்படுத்துவதாக Runway கூறுகிறது. இடமமைப்புப் பிழை ஒப்பீடு வரையறுக்கப்பட்ட அறிகுறி மட்டுமே; பொது எடைத் தரவுகளும் விரிவான மதிப்பீட்டு விவரங்களும் இன்னும் வெளியாகவில்லை.

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 [Praxis-1-ஐ அறிவித்துள்ளது](https://runway.com/research/introducing-praxis-1); தனது உலக மாதிரிகளுக்குப் பின்னால் உள்ள பெரிய அளவிலான காணொளி முன்பயிற்சியை அடிப்படையாகக் கொண்ட ரோபோ கட்டுப்பாட்டுக் கொள்கை இது என்கிறது. தேர்ந்தெடுத்த ரோபோட்டிக்ஸ் கூட்டாளர்களின் சொந்த இயந்திரங்களில் இதைச் சோதித்ததாக நிறுவனம் தெரிவிக்கிறது. வரும் மாதங்களில் மாதிரி எடைத் தரவுகளைப் பொதுவில் வெளியிடத் திட்டமிட்டுள்ளது; அக்டோபர் 3 அன்று BIG CHANGE சரிபார்த்தபோது, அறிவிப்புப் பக்கத்தில் அவை கிடைக்கவில்லை. செப்டம்பர் 2026 எனப் பக்கத்தில் தேதியிட்டிருந்தாலும், எந்த நாளென்று Runway குறிப்பிடவில்லை.

ரோபோ செயல்விளக்கங்களிலிருந்து கற்றுக்கொள்வதற்கு முன்பே, அன்றாடக் காணொளி ரோபோ கட்டுப்பாட்டுக் கொள்கைக்குப் பயனுள்ள அறிவை அளிக்குமா என்பதே இதன் அடிப்படைக் கேள்வி. Runway இடமமைப்புப் பிழை ஒப்பீட்டையும் தேர்ந்தெடுக்கப்பட்ட பணிக் காணொளிகளையும் வழங்குகிறது. முடிவை மீண்டும் உருவாக்கத் தேவையான விவரங்கள் இன்னும் வெளியிடப்படவில்லை.

## முக்கிய மாற்றம்

- **என்ன மாறியது:** காணொளி முன்பயிற்சியை ரோபோ செயல் கணிப்புக்குக் கொண்டு வந்து, பலவகை கூட்டாளர் வன்பொருள்களில் செய்த சோதனைகளை Runway தெரிவிக்கிறது. ரோபோ செயல்விளக்கத் தரவைச் சேகரிப்பது செலவான துறையில், பிறரால் படம்பிடிக்கப்பட்ட ஏராளமான காணொளிகளைப் பயன்படுத்துவதற்கான சாத்தியமான வழி இது. Praxis-1 இன்னும் தேர்ந்தெடுக்கப்பட்டோருக்கு மட்டுமே கிடைக்கிறது.
- **இது ஏன் முக்கியம்:** fine tuning-க்குப் பிறகான இறுதி இடமமைப்புப் பிழையாக, இணையக் காணொளி முன்பயிற்சிக்கு 16.1 செ.மீ., தொலை இயக்க ரோபோக் காணொளி முன்பயிற்சிக்கு 16.0 செ.மீ. என Runway-யின் விளக்கப்படம் காட்டுகிறது. காட்டப்பட்ட புள்ளி மதிப்பீடுகள் நெருக்கமானவை. 93 மதிப்பீட்டு இணைகளுக்கான ±1 SEM பிழைப் பட்டைகள் புள்ளியியல் முக்கியத்துவமுள்ள வேறுபாட்டையோ சமத்தன்மையையோ நிரூபிக்கவில்லை; வெளியிடப்பட்ட செயல்வழிமுறை மற்றொரு ரோபோவில் செயல்திறனை மதிப்பிடப் போதுமானதல்ல.
- **கவனிக்க வேண்டியது:**பொது எடை வெளியீடு, பணி-நிலை மதிப்பீட்டு விவரங்கள், கூட்டாளர் முடிவுகள் ஆகியவை காணொளி முன்பயிற்சி எந்த அளவு பங்களிக்கிறது, ஒவ்வொரு ரோபோவுக்கும் என்ன தழுவல் தேவை என்பதை ஆய்வாளர்கள் மதிப்பிட உதவும். எடைத் தரவுகளை வெளியிடுவதாக Runway உறுதியளித்துள்ளது; ஆனால் உறுதியான தேதியைக் கூறவில்லை.

## காணொளி எவ்வாறு கட்டுப்பாட்டுக் கொள்கைக்குள் வருகிறது

Runway-யின் [Praxis-1 ஆய்வுப் பக்கம்](https://runway.com/research/introducing-praxis-1) பொருட்களின் நடத்தை, கையின் அசைவு, உடல் சார்ந்த பணிகள் ஆகியவற்றின் வடிவங்களைத் தனது பெரிய காணொளி மாதிரிகள் கற்கின்றன எனக் கூறுகிறது. அந்த முன்பயிற்சியைப் பொதுவான ரோபோ கட்டுப்பாட்டுக் கொள்கைக்குள் Praxis-1 கொண்டுவருகிறது என நிறுவனம் தெரிவிக்கிறது. குறிப்பிட்ட பணிக்காக ரோபோவைப் பயிற்றுவிப்பதற்கு முன், மூன்றாம் நபர் காணொளிகள் பயனுள்ள தொடக்கத்தை அளிக்கலாம் என்பதே அதன் வாதம். மூன்றாம் நபர் காணொளியை அதிகரிக்கும்போது கட்டுப்பாட்டுக் கொள்கையின் செயல்திறனும் மேம்படுகிறது எனப் பக்கம் கூறுகிறது.

Praxis-1-இன் கண்காணிப்பு வடிவம், செயல் வெளியீடு, fine-tuning நடைமுறை, inference இடைமுகம் அல்லது கட்டுப்பாட்டு அதிர்வெண் ஆகியவற்றை அந்தப் பக்கம் விளக்கவில்லை. எடை கோப்புகளோ வன்பொருள் தேவைகளோவும் தரப்படவில்லை. குறிப்பிட்ட கேமரா, gripper அல்லது நகரும் அடித்தளத்துக்குத் தேவையான தழுவலை மதிப்பிடும் பொறியாளருக்கு இந்த விடுபாடுகள் முக்கியம். Runway-யிடம் [தனியான GWM-1 கொள்கை-மாதிரி தயாரிப்புப் பக்கம்](https://runway.com/product/robotics/policy-model) உள்ளது; அதில் தனிப்பயன் fine-tuning மற்றும் cloud SDK ஏற்பாடு விவரிக்கப்படுகிறது. அதன் இடைமுகமும் வணிக நிபந்தனைகளும் Praxis-1-க்கும் பொருந்தும் எனக் கருதக்கூடாது.

Runway-யின் காணொளிகளில் டென்னிஸ் பந்தை ஓரிடத்தில் வைக்கச் சொல்லும் அறிவுறுத்தல், அலமாரியை அணுகி புத்தகத்தை எடுக்கும் நகரும் அடித்தளம், மீண்டும் மீண்டும் வரும் பொருட்கள், இரைச்சலான அமைப்பு, ஒளிபுகும் பொருட்கள், துணி ஆகியவற்றின் எடுத்துக்காட்டுகள் உள்ளன. மறுபயிற்சி இல்லாமல் அதே கட்டுப்பாட்டுக் கொள்கை ஸ்டூடியோவுக்கும் சமையலறைக்கும் இடையே இயங்குவதாக மற்றொரு காணொளிக்குறிப்பு கூறுகிறது. உருவாக்குநர் தேர்ந்தெடுத்த எடுத்துக்காட்டுகளே இவை; அவற்றுக்கான சோதனை எண்ணிக்கையோ வெற்றி விகிதமோ பக்கம் தெரிவிக்கவில்லை.

## இடமமைப்புப் பிழை விளக்கப்படம் என்ன சொல்கிறது

Runway-யின் பக்கத்திலுள்ள ஒரே எண் ஒப்பீடு **fine tuning-க்குப் பிறகான இறுதி இடமமைப்புப் பிழை**; சென்டிமீட்டரில் அளவிடப்படுகிறது, குறைந்த மதிப்பே சிறந்தது. புதிதாகத் தொடங்கி இணையக் காணொளியில் முன்பயிற்சி பெற்றதற்கு **16.1 செ.மீ.** என்றும், தொலை இயக்க ரோபோக் காணொளியில் முன்பயிற்சி பெற்றதற்கு **16.0 செ.மீ.** என்றும் விளக்கப்படம் குறிக்கிறது. முன்பயிற்சிக் காணொளி மணிநேரங்களையும் Runway வரைபடத்தில் காட்டுகிறது; பிழைப் பட்டைகளும் வரம்பும் **93 மதிப்பீட்டு இணைகளின் சராசரியில் ±1 நிலையான பிழை** என்பதைக் குறிக்கின்றன. பட்டையைவிடச் சிறிய வேறுபாடுகள் முக்கியத்துவம் வாய்ந்தவை அல்ல எனக் குறிப்பில் கூறுகிறது.

காட்டப்பட்ட புள்ளி மதிப்பீடுகளில் 0.1 செ.மீ. வேறுபாடு உள்ளது. இந்தப் பக்கத்தில் பணி கலவை, ரோபோக்கள் அல்லது சூழல்களின் எண்ணிக்கை, 93 இணைகள் எவ்வாறு உருவாக்கப்பட்டன, fine tuning-இல் எவ்வளவு ரோபோத் தரவு பயன்படுத்தப்பட்டது, முழுமையான புள்ளியியல் சோதனை ஆகியவற்றை Runway வெளியிடவில்லை. Runway தேர்ந்தெடுத்து காட்டிய ஒப்பீட்டில், fine tuning-க்குப் பிறகான இறுதி இடமமைப்புப் பிழை மதிப்பீடுகள் நெருக்கமாக உள்ளன. அந்த அளவீட்டில் புள்ளியியல் முக்கியத்துவமுள்ள வேறுபாடோ சமத்தன்மையோ இருப்பதை விளக்கப்படம் நிரூபிக்கவில்லை. காணொளிகளிலுள்ள நீண்ட பணிகளை நம்பகமாக முடிப்பதையோ, உண்மையான பயன்பாட்டில் தேவைப்படும் தரவைக் குறைப்பதையோவும் அது காட்ட முடியாது.

Runway **0.95 தொடர்பு** என்பதையும் மேற்கோள் காட்டுகிறது; இது உருவகப்படுத்தப்பட்ட மற்றும் நிஜ உலக ரோபோ கட்டுப்பாட்டுக் கொள்கை முடிவுகளுக்கிடையிலான தொடர்பு. அந்த எண் அதன் [முந்தைய கொள்கை மதிப்பீட்டு ஆய்விலிருந்து](https://runway.com/research/accelerating-robot-policy-evaluation) வந்தது; மேசைப் பணிகளில் ஒரு Franka Panda கையைப் பயன்படுத்தி எட்டு கட்டுப்பாட்டுக் கொள்கைகளை அது வரிசைப்படுத்தியது. இது கட்டுப்பாட்டுக் கொள்கை மதிப்பீடு குறித்த தனி ஆய்வு; Praxis-1-இன் களச் செயல்திறன் அளவீடு அல்ல.

## அணுகல் நிலை

Praxis-1-ஐ தங்கள் சொந்த வன்பொருளில் பயன்படுத்தும் தொடக்ககாலக் கூட்டாளர்களாக [Noble Machines, Standard Bots, Ultra](https://runway.com/research/introducing-praxis-1) ஆகியோரைக் Runway குறிப்பிடுகிறது. அப்பகுதியில் இருகை கையாளுதல், ஆறு சுதந்திர நிலைகளைக் கொண்ட கை, நகரும் அடித்தளம் ஆகியவற்றை அறிவிப்பு விவரிக்கிறது. பொதுப் பயன்பாட்டுக்கு முன் பல்வேறு உடல்வடிவங்களிலும் சூழல்களிலும் செயல்திறனையும் பாதுகாப்பையும் மதிப்பிடுவதாகவும், கூடுதல் தேர்ந்தெடுக்கப்பட்ட கூட்டாளர்கள் தங்கள் ரோபோட்டிக்ஸ் குழுவைத் தொடர்புகொள்ளலாம் என்றும் Runway கூறுகிறது.

அந்தத் திட்டத்திற்கு வெளியிலுள்ள ஆய்வாளருக்குக் கிடைப்பது அறிவிப்பு, விளக்கப்படம், காணொளித் துணுக்குகள் மட்டுமே. Praxis-1 எடையைப் பொதுவில் பதிவிறக்க, வெளியிடப்பட்ட ஒருங்கிணைப்பு நடைமுறை, மீண்டும் செய்யக்கூடிய மதிப்பீட்டுத் தொகுப்பு ஆகிய இணைப்புகள் பக்கத்தில் இல்லை. அணுகல் கட்டணம், எதிர்கால எடை உரிமம், கணக்கீட்டுத் தேவைகள், பொதுவெளியீட்டுத் தேதி ஆகியவற்றை Runway குறிப்பிடவில்லை. முன்கூட்டிய அணுகலைப் பரிசீலிக்கும் குழு, தங்கள் வன்பொருள் மற்றும் மதிப்பீட்டுத் தேவைகள் குறித்து உரையாட பொதுத் தகவலைப் பயன்படுத்தலாம்; ஆனால் அறிவிப்பை மட்டும் கொண்டு வெளியிடப்பட்ட ஒப்பீட்டை மீண்டும் உருவாக்க முடியாது. BIG CHANGE அணுகல் கோரவோ ரோபோவைச் சோதிக்கவோ இல்லை.

ரோபோட்டிக்ஸ் குறித்த எங்கள் முந்தைய அறிக்கைகள் [GPT-Policy](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) மற்றும் [HomeBody](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) வெவ்வேறு ஆய்வுக் கேள்விகளை ஆராய்கின்றன. GPT-Policy செயல்விளக்கங்களையும் ரோபோ பின்னூட்டத்தையும் கொண்டு நிலையான vision-language மாதிரிக்கு prompt வழங்குகிறது; HomeBody ஒரு மனிதவடிவ ரோபோவின் அறை நினைவகத்தை மீண்டும் பயன்படுத்தக்கூடிய திறன்களுடன் இணைக்கிறது. பரந்த காணொளி முன்பயிற்சி கட்டுப்பாட்டுக் கொள்கையையே மேம்படுத்துமா என்பதே Praxis-1-இன் கேள்வி. அறிவிக்கப்பட்ட ஒப்பீட்டுக்கு அப்பால் அதன் செயல்திறனைச் சரிபார்க்கத் தேவையான செயலாக்கத்தையோ போதுமான மதிப்பீட்டு விவரங்களையோ Runway இன்னும் வெளியிடவில்லை.

## ஆதாரங்களும் மேலதிக வாசிப்பும்

- [Runway Research, “Praxis-1-ஐ அறிமுகப்படுத்துகிறோம்”](https://runway.com/research/introducing-praxis-1): செப்டம்பர் 2026 எனத் தேதியிட்ட முதன்மை அறிவிப்பு. முன்பயிற்சி குறித்த கூற்று, 16.1/16.0 செ.மீ. இடமமைப்புப் பிழை ஒப்பீடு, 93 இணை நிச்சயமின்மை குறிப்பு, தேர்ந்தெடுக்கப்பட்ட காணொளிகள், கூட்டாளர்கள், எடை வெளியீட்டுத் திட்டம் ஆகியவற்றை இது வழங்குகிறது. Runway உருவாக்குநர்; இவை அதன் சொந்த முடிவுகளும் விளக்கங்களும்.
- [Runway Research, “பொது உலக மாதிரிகளைக் கொண்டு ரோபோ கட்டுப்பாட்டுக் கொள்கை மதிப்பீட்டை விரைவாக்குதல்”](https://runway.com/research/accelerating-robot-policy-evaluation): Praxis-1 அறிவிப்பில் குறிப்பிடப்படும் உருவகப்படுத்தப்பட்ட/நிஜ உலகத் தொடர்பு 0.95 என்பதற்குப் பின்னுள்ள முந்தைய தனி ஆய்வு. Praxis-1-ஐப் பயன்படுத்திய களச் செயல்திறனை இது அளவிடவில்லை.
- [Runway Robotics கட்டுப்பாட்டுக் கொள்கை-மாதிரி தயாரிப்புப் பக்கம்](https://runway.com/product/robotics/policy-model): தனியான GWM-1 தனிப்பயன் கொள்கை மற்றும் SDK வழங்கலை ஆவணப்படுத்துகிறது. அதன் இடைமுகத்தைப் பொதுவில் கிடைக்கும் Praxis-1 ஒருங்கிணைப்பு வழிகாட்டி என்று தவறாக எண்ணாதிருக்க இது சேர்க்கப்பட்டுள்ளது.
- [BIG CHANGE, “ரோபோக் கை மற்றும் நகரும் ஆய்வுப் பணிகளில் GPT-Policy சூழலைச் சோதிக்கிறது”](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) மற்றும் [“HomeBody மனிதவடிவ ரோபோவின் இடவியல் நினைவகத்தை மீண்டும் பயன்படுத்தக்கூடிய திறன்களுடன் இணைக்கிறது”](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills): ரோபோ கட்டுப்பாட்டுக்கான வேறு அணுகுமுறைகள் குறித்த முந்தைய பதிவுகள். இவற்றில் எதுவும் Praxis-1-இன் செயல்திறனை நிரூபிப்பதில்லை.

## Sources

- [Runway Research, Praxis-1 அறிமுகம்](https://runway.com/research/introducing-praxis-1) — காணொளி முன்பயிற்சி குறித்த கூற்று, இறுதி இடமமைப்பு ஒப்பீடு, 93 மதிப்பீட்டு இணைகளின் நிச்சயமின்மை குறிப்பு, தேர்ந்தெடுக்கப்பட்ட காணொளிகள் மற்றும் கூட்டாளர்கள், வரையறுக்கப்பட்ட முன்கூட்டிய அணுகல், திட்டமிட்ட பொது எடை வெளியீடு ஆகியவற்றுக்கான உருவாக்குநர் அறிவிப்பு. மீண்டும் செய்யக்கூடிய செயல்வழிமுறை, பொது எடை, சுயாதீனப் பயன்பாட்டு ஆதாரம் ஆகியவற்றை இது வழங்கவில்லை.
- [Runway Research, பொது உலக மாதிரிகளைக் கொண்டு ரோபோ கட்டுப்பாட்டுக் கொள்கை மதிப்பீட்டை விரைவாக்குதல்](https://runway.com/research/accelerating-robot-policy-evaluation) — 0.95 கட்டுப்பாட்டுக் கொள்கை வரிசைத் தொடர்புக்குப் பின்னுள்ள உருவாக்குநரின் தனியான முந்தைய உலக-மாதிரி மதிப்பீடு. ஒரு Franka Panda கையைப் பயன்படுத்தி மேசைப் பணிகளில் எட்டு கட்டுப்பாட்டுக் கொள்கைகளைச் சோதித்தது; Praxis-1 கள முடிவு அல்ல.
- [Runway Robotics, கட்டுப்பாட்டுக் கொள்கை மாதிரி](https://runway.com/product/robotics/policy-model) — தனியான GWM-1 தனிப்பயன் fine-tuning, cloud inference, SDK வழங்கலை விவரிக்கிறது. Praxis-1-இன் இடைமுகம், செலவு அல்லது வன்பொருள் தேவைகளை இது குறிப்பிடவில்லை.
- [BIG CHANGE, ரோபோக் கை மற்றும் நகரும் ஆய்வுப் பணிகளில் GPT-Policy சூழலைச் சோதிக்கிறது](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — சூழலைக் கொடுத்து prompt செய்யப்படும் நிலையான vision-language மாதிரியும் அது அனுப்பும் ரோபோக் கருவிக் கோரிக்கைகளும் குறித்த முந்தைய பதிவு; ஒப்பீட்டுச் சூழலுக்காக மட்டுமே சேர்க்கப்பட்டது.
- [BIG CHANGE, HomeBody மனிதவடிவ ரோபோவின் இடவியல் நினைவகத்தை மீண்டும் பயன்படுத்தக்கூடிய திறன்களுடன் இணைக்கிறது](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) — மனிதவடிவ ரோபோ செயல்விளக்கத்தில் இடவியல் நினைவகமும் மீண்டும் பயன்படுத்தக்கூடிய திறன்களும் குறித்த முந்தைய பதிவு; ஒப்பீட்டுச் சூழலுக்காக மட்டுமே சேர்க்கப்பட்டது.