Runway نے Praxis-1 کا اعلان کیا، ایک robot policy جس کے بارے میں کمپنی کہتی ہے کہ یہ اس کے world models کے پیچھے موجود بڑے پیمانے کی ویڈیو pretraining پر مبنی ہے۔ کمپنی کا کہنا ہے کہ منتخب روبوٹکس شراکت داروں کے ساتھ ان کی اپنی مشینوں پر آزمائش کی گئی۔ وہ آنے والے مہینوں میں ماڈل کے weights عوامی طور پر جاری کرنے کا ارادہ رکھتی ہے؛ 3 اکتوبر کو BIG CHANGE کی جانچ کے وقت اعلان والے صفحے پر یہ دستیاب نہیں تھے۔ Runway صفحے کی تاریخ ستمبر 2026 بتاتا ہے، مگر دن نہیں بتاتا۔

اس کے پیچھے سوال یہ ہے کہ کیا روزمرہ کی ویڈیو روبوٹ پالیسی کو روبوٹ کے مظاہروں سے سیکھنے سے پہلے کارآمد معلومات دے سکتی ہے۔ Runway جگہ پر رکھنے کی غلطی کا موازنہ اور منتخب کاموں کے مختصر کلپس پیش کرتا ہے۔ نتیجہ دہرانے کے لیے درکار تفصیلات ابھی شائع نہیں ہوئیں۔

بڑی تبدیلی

  • کیا بدلا: Runway ویڈیو سے پہلے کی تربیت کو روبوٹ کے عمل کی پیش گوئی تک لے جا رہا ہے اور کئی طرح کے شراکت داروں کے ہارڈویئر پر آزمائشوں کی اطلاع دے رہا ہے۔ اس سے اس میدان میں تیسرے شخص کے زاویے سے بنائی گئی وافر ویڈیو استعمال کرنے کا ممکنہ راستہ ملتا ہے جہاں روبوٹ کے مظاہرے کا ڈیٹا جمع کرنا مہنگا ہے۔ Praxis-1 تک رسائی فی الحال منتخب افراد تک محدود ہے۔
  • یہ کیوں اہم ہے: Runway کے چارٹ میں fine-tuning کے بعد آخری جگہ پر رکھنے کی غلطی، ویب ویڈیو سے پہلے کی تربیت کے لیے 16.1 cm اور ریموٹ آپریٹڈ روبوٹ ویڈیو سے پہلے کی تربیت کے لیے 16.0 cm دکھائی گئی ہے۔ ظاہر کردہ نقطہ جاتی تخمینے قریب ہیں۔ 93 جائزہ جاتی جوڑوں پر ±1 SEM کی سلاخیں نہ تو کسی معنی خیز فرق کو ثابت کرتی ہیں، نہ مساوات کو؛ اور شائع شدہ طریقۂ کار اتنا محدود ہے کہ کسی دوسرے روبوٹ پر کارکردگی کا فیصلہ نہیں کیا جاسکتا۔
  • کس بات پر نظر رکھیں: weights کی عوامی ریلیز، کام کی سطح پر جائزے کی تفصیلات اور شراکت داروں کے نتائج سے محققین جانچ سکیں گے کہ ویڈیو سے پہلے کی تربیت کتنا حصہ ڈالتی ہے اور ہر روبوٹ کو کس نوع کی موافقت درکار ہے۔ Runway نے weights دینے کا وعدہ کیا ہے، مگر کوئی قطعی تاریخ نہیں دی۔

ویڈیو پالیسی میں کیسے شامل ہوتی ہے

Runway کا Praxis-1 کا تحقیقی صفحہ کہتا ہے کہ اس کے بڑے ویڈیو ماڈل اشیا کے رویّے، ہاتھوں کی حرکت اور جسمانی کاموں کے نمونے سیکھتے ہیں۔ کمپنی کے مطابق Praxis-1 یہ پہلے سے تربیت ایک عمومی روبوٹ پالیسی میں شامل کرتا ہے۔ اس کی دلیل ہے کہ تیسرے شخص کے زاویے سے بنائی گئی ویڈیو مخصوص کام کے لیے روبوٹ کو تربیت دینے سے پہلے کارآمد نقطۂ آغاز دے سکتی ہے۔ صفحے کے مطابق تیسرے شخص کی ویڈیو کا پیمانہ بڑھنے کے ساتھ پالیسی کی کارکردگی بہتر ہوتی ہے۔

صفحہ Praxis-1 کے مشاہدے کی شکل، عمل کے output، fine-tuning کے طریقۂ کار، inference interface یا کنٹرول کی رفتار بیان نہیں کرتا۔ یہ weights کی فائلیں یا ہارڈویئر کی ضروریات بھی نہیں دیتا۔ کسی انجینئر کے لیے یہ کمی اہم ہے جو مخصوص کیمرے، gripper یا mobile base کے لیے درکار موافقت کا اندازہ لگانا چاہتا ہو۔ Runway کا GWM-1 پالیسی ماڈل کا الگ پروڈکٹ صفحہ اپنی مرضی کی fine-tuning اور cloud SDK کا انتظام بیان کرتا ہے۔ یہ نہیں سمجھنا چاہیے کہ اس کا interface اور تجارتی شرائط Praxis-1 پر بھی لاگو ہیں۔

Runway کے کلپس میں ٹینس کی گیند ایک جگہ رکھنے کی ہدایت، ایک mobile base کا شیلف کے قریب جاکر کتاب اٹھانا، اور بار بار آنے والی اشیا، بے ترتیبی، شفاف مواد اور کپڑے سے متعلق مثالیں دکھائی گئی ہیں۔ ایک اور کلپ کے عنوان کے مطابق وہی پالیسی دوبارہ تربیت کے بغیر studio اور kitchen کے درمیان منتقل ہوتی ہے۔ یہ ڈویلپر کی منتخب کردہ مثالیں ہیں؛ صفحہ ان کے لیے آزمائشوں کی تعداد یا کامیابی کی شرح نہیں بتاتا۔

جگہ پر رکھنے کی غلطی کا چارٹ کیا بتاتا ہے

Runway کے صفحے پر واحد عددی موازنہ fine-tuning کے بعد آخری جگہ پر رکھنے کی غلطی کا ہے، جس کی پیمائش centimeters میں ہے؛ کم قدر بہتر ہے۔ اس کے چارٹ میں ابتدا سے ویب ویڈیو پر تربیت کے لیے 16.1 cm اور ابتدا سے ریموٹ آپریٹڈ روبوٹ ویڈیو پر تربیت کے لیے 16.0 cm درج ہیں۔ Runway تربیتی ویڈیو کے گھنٹوں کو چارٹ میں دکھاتا ہے اور کہتا ہے کہ خطِا کی سلاخیں اور پٹی 93 جائزہ جاتی جوڑوں پر اوسط کی ±1 معیاری خطا دکھاتی ہیں۔ اس کے نوٹ کے مطابق سلاخ سے چھوٹے فرق معنی خیز نہیں۔

ظاہر کردہ نقطہ جاتی تخمینوں میں 0.1 cm کا فرق ہے۔ اس صفحے پر Runway نے کاموں کی اقسام، روبوٹ یا ماحول کی تعداد، 93 جوڑے کیسے بنائے گئے، fine-tuning میں کتنا روبوٹ ڈیٹا استعمال ہوا، یا مکمل شماریاتی آزمائش شائع نہیں کی۔ Runway نے جو موازنہ دکھانے کا انتخاب کیا، اس میں رپورٹ کردہ آخری جگہ پر رکھنے کی غلطی کے نقطہ جاتی تخمینے fine-tuning کے بعد قریب ہیں۔ چارٹ اس پیمائش کے لیے شماریاتی طور پر معنی خیز فرق یا مساوات ثابت نہیں کرتا۔ یہ کلپس میں دکھائے گئے طویل کاموں کی قابلِاعتماد تکمیل یا حقیقی تعیناتی میں کم ڈیٹا کی ضرورت بھی ثابت نہیں کرسکتا۔

Runway ایک 0.95 کا باہمی تعلق بھی بیان کرتا ہے جو simulated اور حقیقی دنیا میں روبوٹ پالیسی کے نتائج کے درمیان ہے۔ یہ عدد اس کی پالیسی کے جائزے پر سابقہ تحقیق سے ہے، جس میں ایک Franka Panda بازو سے میز پر کیے جانے والے کاموں میں آٹھ پالیسیوں کی درجہ بندی کی گئی تھی۔ یہ پالیسی کے جائزے کا الگ مطالعہ ہے، Praxis-1 کی عملی میدان میں کارکردگی کا پیمانہ نہیں۔

رسائی کی موجودہ صورت

Runway ابتدائی شراکت داروں کے طور پر Noble Machines، Standard Bots اور Ultra کے نام دیتا ہے، جو Praxis-1 کو اپنے ہارڈویئر پر استعمال کررہے ہیں۔ اس حصے میں اعلان دو ہاتھوں سے کام کرنے، چھ درجۂ آزادی والے بازو اور mobile base کا ذکر کرتا ہے۔ Runway کہتا ہے کہ عام دستیابی سے پہلے وہ مختلف روبوٹ ساختوں اور ماحول میں افادیت اور حفاظت کا جائزہ لے رہا ہے، اور مزید منتخب شراکت داروں کو اپنی روبوٹکس ٹیم سے رابطے کی دعوت دیتا ہے۔

اس پروگرام سے باہر کے محقق کے لیے دستیاب مواد اعلان، چارٹ اور کلپس تک محدود ہے۔ صفحے پر عوامی Praxis-1 weights ڈاؤن لوڈ، شائع شدہ انضمامی طریقۂ کار یا دہرائی جاسکنے والی جانچ کی فائلیں موجود نہیں۔ Runway رسائی کی فیس، آئندہ weights کا لائسنس، compute کی ضرورت یا عام اجرا کی تاریخ نہیں بتاتا۔ جلد رسائی پر غور کرنے والی ٹیم اپنے ہارڈویئر اور جائزے کی ضرورت پر گفتگو کے لیے عوامی معلومات استعمال کرسکتی ہے، مگر صرف اعلان کی بنیاد پر رپورٹ کردہ موازنے کو دہرا نہیں سکتی۔ BIG CHANGE نے رسائی کی درخواست نہیں کی اور نہ روبوٹ آزمایا۔

روبوٹکس سے متعلق ہماری سابقہ رپورٹس GPT-Policy اور HomeBody مختلف تحقیقی سوالات دیکھتی ہیں۔ GPT-Policy مظاہروں اور روبوٹ کے ردعمل کے ساتھ ایک مقرر vision-language model کو prompt دیتا ہے؛ HomeBody انسان نما روبوٹ کی کمرے سے متعلق یادداشت کو دوبارہ استعمال کے قابل مہارتوں سے جوڑتا ہے۔ Praxis-1 پوچھتا ہے کہ وسیع ویڈیو pretraining خود پالیسی بہتر کرسکتی ہے یا نہیں۔ Runway نے ابھی اس کی امپلیمنٹیشن یا اتنی جائزہ جاتی تفصیل جاری نہیں کی کہ رپورٹ کردہ موازنے سے آگے کارکردگی جانچی جاسکے۔

ماخذ اور مزید مطالعہ