Runway 11 月 11 日以 Apache 2.0 许可开放世界动作模型 Praxis-1 的权重、推理与微调代码（含 LoRA），可商用。它是 27B 参数的 MoE 扩散 Transformer（每 token 激活约 2.8B），同时预测未来视频和机器人动作，每次调用输出 1.6 秒动作，单张 H100 往返约 0.55 秒。官方称在 NVIDIA RoboLab-120 上成功率 46.2%，是世界动作模型和开源机器人基础模型中的第一，高于 FLUX 3 Action 42.9%、π0.5 28.0%。同一工位三项任务上，比让 GPT-6 Astra 直接驱动机械臂快 15.6 倍、单任务成本低 51 倍。权重已上 Hugging Face，并支持 LeRobot 与 vLLM-Omni。
核心要点速览
- ✓规模：总参数 27.2B，主干 26.9B、每 token 激活约 2.8B，另有 314M 动作专家；bf16 约 54.4GB，单张 80GB GPU 可跑
- ✓RoboLab-120（1,200 回合）：46.2%，FLUX 3 Action 42.9%、Cosmos3 Nano 36.8%、π0.5 28.0%（官方口径）
- ✓真机 Franka FR3 十项任务：88/100 对 FLUX 3 Action 80/100；RT-1 微调后 SimplerEnv 80.0%（原 RT-1 52.4%）
- ✓对比 GPT-6 Astra 驱动同一机械臂：快 15.6 倍，单任务成本 0.04 美元对 1.87 美元（低 51 倍）
- ✓NVFP4 量化后权重缩到 17.5GB，RoboLab 抽样 46.5% 对 bf16 47.8%
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
机器人训练最大的瓶颈是真机数据稀缺，遥操作采集又贵又慢。Runway 9 月首次介绍 Praxis-1，11 月 11 日兑现开源承诺。它的思路是用海量普通视频预训练，让模型先学会物体怎么动、手怎么动，再学控制。
架构亮点与底层机制
Praxis-1 由三部分组成：27B 视频主干（17 层 MoE，每层 128 个路由专家选 8 个外加 1 个共享专家）、约 314M 参数的动作专家、每种机器人各自的轻量投影层。模型以 1.6 秒为一块，同时预测下一段视频和 24 行动作（15Hz），动作专家读取主干「想象中」的未来画面来推出动作。
权威 Benchmark 与实测跑分对比
以下均为官方口径：RoboLab-120 成功率 46.2%（555/1,200），在世界动作模型和开源机器人基础模型中第一；榜单前两名是速度慢得多的前沿大模型 Agent。真机 Franka 十项任务 88/100 对 FLUX 3 Action 80/100。只用 29 分钟遥操作数据微调，在 Noble Machines 机器人的仿真中 15 次全部成功。
开发者实战落地与开箱指南
Hugging Face 上有 DROID、双臂 YAM、基座三个检查点及 NVFP4 版本，GitHub 仓库 runwayml/praxis-1-oss 附带策略服务器、MuJoCo 仿真和完整微调与 LoRA 代码。官方提醒：外观相似的物体容易抓错，多步骤任务最好每步单独下指令，引导参数需要按机型重新调。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察