Runway 已宣布推出 Praxis-1，這是一種機器人策略模型；公司表示，它以其世界模型所採用的大規模影片預訓練為基礎。Runway 稱已與特定機器人合作夥伴在對方的設備上進行測試，並計畫在未來幾個月公開發布模型權重。BIG CHANGE 於 10 月 3 日查看公告頁面時，權重尚未提供。Runway 將頁面日期標示為 2026 年 9 月，但未註明具體日期。
這項工作的核心問題是：在機器人策略透過機器人示範學習之前，一般日常影片能否先提供有用的知識？Runway 展示了物體放置誤差比較和部分任務片段，但尚未公開足以重現結果的必要細節。
重大變革
- 改變之處：Runway 將影片預訓練延伸至機器人動作預測，並表示已在多種合作夥伴硬體上進行測試。這或許能讓大量現成的第三人稱影片，應用於機器人示範資料蒐集成本高昂的領域。目前 Praxis-1 僅提供特定對象使用。
- 重要性：Runway 圖表所列的微調後最終物體放置誤差，使用網路影片預訓練為 16.1 公分，使用遙操作機器人影片預訓練則為 16.0 公分。兩個點估計值十分接近。涵蓋 93 對評估樣本的 ±1 個平均值標準誤差範圍，既不能證明差異達統計顯著，也不能證明兩者等效；公開的測試流程資訊也不足以判斷模型在其他機器人上的表現。
- 後續觀察：若公開模型權重、任務層級的評估細節及合作夥伴測試結果，研究人員便能評估影片預訓練的實際貢獻，以及各種機器人需要何種調適。Runway 已承諾發布權重，但未提供確切日期。
影片如何導入機器人策略
Runway 的Praxis-1 研究頁面指出，其大型影片模型會學習物體行為、手部動作及實體任務中的模式。公司表示，Praxis-1 將這類預訓練帶入通用型機器人策略。Runway 主張，第三人稱影片可在機器人開始特定任務訓練前提供有用的起點；頁面並稱，擴大第三人稱影片資料的規模能提升策略表現。
該頁面沒有說明 Praxis-1 的觀測資料格式、動作輸出、微調流程、推論介面或控制頻率，也未提供權重檔案或硬體需求。對於想估算特定攝影機、夾爪或移動底盤需要多少調適工作的工程師而言，這些資訊缺口相當重要。Runway 另有一個GWM-1 策略模型產品頁面介紹客製化微調與雲端 SDK 方案；不應假定這套介面與商業條款也適用於 Praxis-1。
Runway 展示的片段包括：依指令放置網球、移動底盤駛向架子並拿起書本，以及處理重複物體、雜亂場景、透明材質和布料的範例。另有一段影片說明宣稱，同一策略無須重新訓練，就能從工作室環境轉換到廚房環境。這些都是開發者挑選的示例；頁面並未提供這些任務的試驗次數或成功率。
物體放置誤差圖表呈現了什麼
Runway 頁面唯一的數值比較是微調後的最終物體放置誤差，以公分為單位，數值越低越好。圖表標示從頭開始以網路影片預訓練的結果為16.1 公分，而從頭開始以遙操作機器人影片預訓練的結果為16.0 公分。Runway 也繪出預訓練影片時數，並表示誤差線與色帶代表93 對評估樣本的 ±1 個平均值標準誤差。圖表註記指出，小於一個誤差線範圍的差異不具統計顯著性。
圖中兩個點估計值相差 0.1 公分。Runway 尚未在此頁公布任務組成、機器人或環境數量、93 對樣本的形成方式、微調所用的機器人資料量，也未提供完整的統計檢定。就 Runway 選擇呈現的比較而言，兩種預訓練方式在微調後的最終物體放置誤差點估計值相近。圖表無法證明此項指標存在統計顯著差異，也無法證明兩者等效；它同樣不能證明影片中的較長任務可被可靠完成，或實際部署所需資料量因此減少。
Runway 也引用模擬與真實世界機器人策略結果之間的0.95 相關係數。這個數值來自 Runway較早期的策略評估研究；該研究使用一台 Franka Panda 機械手臂，在桌面任務中為八種策略排序。那是另一項策略評估研究，並非 Praxis-1 的實地表現指標。
目前的使用權限
Runway 將Noble Machines、Standard Bots 和 Ultra列為早期合作夥伴，並稱這些夥伴正使用自有硬體測試 Praxis-1。公告在此處提到雙臂操作、六自由度機械手臂和移動底盤。Runway 表示，團隊正在不同機器人形態與環境中評估效能及安全性，待一般開放前，並邀請其他經挑選的合作夥伴聯絡其機器人團隊。
對於不在該計畫中的研究人員，目前可取得的資料只有公告、圖表和影片片段。頁面沒有連結公開的 Praxis-1 權重下載、已發布的整合流程或可重現的評估套件。Runway 未說明使用費、未來權重授權條款、運算需求或一般開放日期。考慮申請早期使用的團隊，可以依據公開資訊討論自身硬體和評估需求，但單靠公告無法重現其比較結果。BIG CHANGE 未申請使用權限，也未測試機器人。
我們先前報導的GPT-Policy和HomeBody探討的是不同的研究問題。GPT-Policy 以示範和機器人回饋提示固定的視覺語言模型；HomeBody 則將人形機器人的空間記憶連結至可重複使用的技能。Praxis-1 探討的是廣泛的影片預訓練能否改善策略本身。Runway 尚未發布實作方式或足夠的評估細節，因此目前無法檢視其在已報告比較以外的表現。
資料來源與延伸閱讀
- Runway Research，《Introducing Praxis-1》：主要公告，頁面日期標示為 2026 年 9 月。內容提供影片預訓練主張、16.1／16.0 公分物體放置誤差比較、93 對樣本的不確定性說明、精選片段、合作夥伴，以及預計發布權重的資訊。Runway 是開發者；這些結果和說明均由公司自行提供。
- Runway Research，《Accelerating Robot Policy Evaluation with General World Models》：較早期的獨立研究，也是 Praxis-1 公告所引用 0.95 模擬／真實世界相關性的來源。該研究並未測量 Praxis-1 的部署表現。
- Runway Robotics 機器人策略模型產品頁面：介紹另一項 GWM-1 客製化策略與 SDK 服務。列出此頁是為了避免讀者誤將其介面當成公開的 Praxis-1 整合指南。
- BIG CHANGE，《GPT-Policy tests context in robot-arm and mobile-exploration tasks》與《HomeBody connects a humanoid’s spatial memory to reusable robot skills》：先前對不同機器人控制方法的報導；兩者均不能證明 Praxis-1 的表現。
