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

# Runway 的 Praxis-1：以影片訓練探索機器人控制的新途徑

> Runway 表示，Praxis-1 將影片預訓練應用於機器人控制。其物體放置誤差比較提供了有限的參考，但公開權重與更完整的評估細節仍未公布。

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 已[宣布推出 Praxis-1](https://runway.com/research/introducing-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](https://runway.com/research/introducing-praxis-1)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](https://runway.com/product/robotics/policy-model)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](https://runway.com/research/accelerating-robot-policy-evaluation)；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](https://runway.com/research/introducing-praxis-1)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](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents)和[HomeBody](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills)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》](https://runway.com/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》](https://runway.com/research/accelerating-robot-policy-evaluation)：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](https://runway.com/product/robotics/policy-model)：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》](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents)與[《HomeBody connects a humanoid’s spatial memory to reusable robot skills》](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-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。

## Sources

- [Runway Research，《Introducing Praxis-1》](https://runway.com/research/introducing-praxis-1) — 開發者公告，說明影片預訓練主張、最終物體放置誤差比較、93 對評估樣本的不確定性說明、精選片段與合作夥伴、有限的早期使用權限，以及預計公開發布權重的計畫。公告沒有提供可重現的測試流程、公開權重或獨立部署證據。
- [Runway Research，《Accelerating Robot Policy Evaluation with General World Models》](https://runway.com/research/accelerating-robot-policy-evaluation) — 開發者較早期的獨立世界模型評估研究，是 0.95 策略排序相關性數值的來源。該研究使用一台 Franka Panda 機械手臂測試八種桌面任務策略；這並非 Praxis-1 的實地測試結果。
- [Runway Robotics，《Policy Model》](https://runway.com/product/robotics/policy-model) — 介紹另一項 GWM-1 客製化微調、雲端推論與 SDK 服務。此頁未說明 Praxis-1 的介面、費用或硬體需求。
- [BIG CHANGE，《GPT-Policy tests context in robot-arm and mobile-exploration tasks》](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — 先前關於固定視覺語言模型如何依據上下文提示並呼叫機器人工具的報導；僅提供相關背景。
- [BIG CHANGE，《HomeBody connects a humanoid’s spatial memory to reusable robot skills》](https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills) — 先前關於人形機器人空間記憶及可重複使用技能示範的報導；僅提供相關背景。