产品简介
Praxis-1 是 Runway 的世界动作模型，2026 年 9 月首次发布，2026 年 11 月 11 日以 Apache 2.0 许可开放权重，所有人都能用，包括商用。
技术形态是 27B 参数的 MoE 扩散 Transformer，同时预测视频与动作。这个组合的意义在于它把世界模型与策略合成一个东西：模型对接下来会发生什么有预测，动作是在这个预测的基础上生成的，而不是从一个纯策略网络里直接回归出来。
效果上它在 NVIDIA 的 RoboLab-120 榜单居首，1200 个 episode 的成功率 46.2%。同一榜单上 FLUX 3 Action 是 42.9%，Cosmos3 Nano 是 36.8%，π0.5 是 28.0%。官方说它超过所有开放权重的 VLA。这些是同一榜单、同一 episode 数量下的数字，可直接对比。
开放范围给得比较彻底。Apache 2.0 覆盖权重、推理代码与微调代码，明确包括商用，全量微调与 LoRA 都支持。发布渠道有四条：GitHub 仓库、Hugging Face 集合（带 LeRobot 原生支持）、vLLM-Omni，以及 Reactor 上的托管推理。硬件覆盖从数据中心的 H100、B200 到工作站级的 RTX 5090、RTX PRO 6000，再到机器人本体上的 Jetson Thor，官方说开箱即用。
跨形态适配有一个值得记的实测。Praxis-1 微调到 Google 的 RT-1 机器人上，这个机型从未出现在训练数据里，SimplerEnv 上达到 80.0% 成功率，原始 RT-1 策略是 52.4%。这说明它学到的是对象怎么动、任务怎么推进这类可迁移的东西，不是记住某台机器的关节角度。
背后那条论点更值得关注。Runway 的研究说，网络视频作为预训练数据，在策略性能上与遥操作机器人视频相当。这一条如果站得住，瓶颈就从采数据的成本转成模型能吃多少通用视频，而通用视频是取之不尽的。这也解释了它为什么强调开放权重：物理 AI 的进展依赖硬件与软件两头的开放程度。
落地伙伴给了三个形态的例子：Noble Machines 的腿足人形、Standard Bots 的六轴工业臂、Ultra 的双臂仓储机器人，都在自己的硬件上跑这个模型。Runway 也是 Cosmos Coalition 的创始成员，与 NVIDIA 一起推开放的世界模型栈。
要认清的是它给的是一套可跑的起点，不是调好就能上产线的方案。46.2% 的成功率放在榜单上是第一，放在真实工序里还远不够，官方也把重点放在适配自有硬件与领域数据的微调上。真要做产品，微调数据与评测集仍然得自己建。
核心功能
- 同时预测视频与动作：27B 参数 MoE 扩散 Transformer，在生成未来画面的同时输出动作，把世界模型与策略合成一个模型。
- Apache 2.0 开放权重：权重、推理代码与微调代码一并开放，明确可商用，支持全量微调与 LoRA。
- RoboLab-120 居首：1200 个 episode 上成功率 46.2%，同榜 FLUX 3 Action 42.9%、Cosmos3 Nano 36.8%、π0.5 28.0%，官方称超过所有开放权重 VLA。
- 从数据中心到机器人本体：覆盖 H100、B200 到 RTX 5090、RTX PRO 6000，以及机器人身上的 Jetson Thor，开箱即用。
- 四路获取渠道：GitHub 仓库、Hugging Face 集合（带 LeRobot 原生支持）、vLLM-Omni 与 Reactor 托管推理。
- 跨形态迁移实测：微调到训练数据中不存在的 RT-1 机器人，SimplerEnv 上达 80.0%，原始 RT-1 策略为 52.4%。
- 网络视频可作预训练数据：Runway 研究称网络视频在策略性能上与遥操作机器人视频相当，瓶颈从采数据转为通用视频的学习量。
- 已被多种硬件验证：Noble Machines 的腿足人形、Standard Bots 的六轴工业臂、Ultra 的双臂仓储机器人均已在自己的硬件上运行。
适合谁用
以下类型的用户会特别受益于 Runway Praxis-1：
- 自有机械臂的快速策略微调
- 腿足人形与双臂仓储机器人的控制
- 用网络视频替代昂贵的遥操作数据做预训练
- 机器人本体上的端侧推理
- 具身智能研究与结果复现
- 与 LeRobot 生态对接
- 工业上下料与分拣的策略基线
优点亮点
- 27B 同时预测视频与动作，把世界模型与策略合成一个模型
- Apache 2.0 覆盖权重、推理与微调代码，明确可商用，全量与 LoRA 均支持
- RoboLab-120 以 46.2% 居首，1200 个 episode 的样本量可支撑对比
- 从 H100 到 RTX 5090 再到 Jetson Thor 都能跑，机器人本体可本地推理
- 微调到训练集之外的 RT-1 达 80.0%，跨形态迁移有实测支撑
- GitHub、Hugging Face、vLLM-Omni、Reactor 四路可获取，接入路径清楚
价格与方案
权重与代码在 Apache 2.0 下免费开放，可商用，包含全量微调与 LoRA。Hugging Face 提供 LeRobot 原生支持，Reactor 提供托管推理（第三方付费服务）。
总结与建议
开放权重的机器人模型里，能在本体上跑的没几个。Praxis-1 是 27B 的 MoE 扩散 Transformer，同时预测视频和动作，Apache 2.0 放开权重、推理与微调代码，明确可商用，从 H100 到 RTX 5090 再到机器人身上的 Jetson Thor 都能跑。榜单上 46.2% 居首，微调到训练集里没有的 RT-1 后 SimplerEnv 达 80.0%。真正要判断的是它代表的那条路线：网络视频可以替代遥操作视频做预训练，这条成立，机器人数据的成本结构就变了。
版本演进
- Praxis-1 开放权重 （2026-11-11）：Runway 以 Apache 2.0 开放 Praxis-1 权重，含权重、推理与微调代码，可商用。该模型为 27B 参数 MoE 扩散 Transformer，同时预测视频与动作，在 NVIDIA RoboLab-120 以 46.2% 成功率居首，同榜 FLUX 3 Action 42.9%、Cosmos3 Nano 36.8%、π0.5 28.0%。硬件覆盖 H100、B200 到 RTX 5090、RTX PRO 6000 与 Jetson Thor。发布渠道包括 GitHub、Hugging Face（带 LeRobot 原生支持）、vLLM-Omni 与 Reactor 托管推理。微调到训练数据中不存在的 RT-1 后，SimplerEnv 达 80.0%，原始 RT-1 策略为 52.4%。