Runway 开放 Praxis-1 权重,本地推理成本低 51 倍快 15.6 倍
视频预训练赋能机器人控制
Runway 推出 Praxis-1 机器人模型,旨在解决真实机器人控制中训练数据采集成本高的问题。该模型设计思路是让 AI 先从普通视频中学习物体运动规律及人手操作方式,再将此知识迁移至机器人动作学习。执行任务时,模型不仅预测接下来场景的变化,还同步预测实现该结果所需的动作,从而实现更高效的闭环控制。
开放权重与本地化部署

Praxis-1 采用 Apache 2.0 许可证开放权重,开发者可在自有硬件上进行运行和微调。该模型基于拥有 270 亿参数的 Runway 视频基础模型构建,特别强调支持本地运行,这意味着无需依赖云端 API 即可在边缘设备或本地工作站执行推理任务,显著降低了数据隐私风险与网络延迟。
硬件适配与量化优化

为满足本地推理的硬件门槛,Runway 提供了可在英伟达 RTX 5090 显卡上运行的 NVFP4 量化版本。模型权重与相关代码已在 Hugging Face 和 GitHub 公开。NVFP4 量化格式在保持模型精度的同时大幅降低了显存占用,使得消费级高端显卡也能承载这一 270 亿参数的复杂模型,进一步拓宽了私有化部署的硬件适配范围。
基准测试表现

在 RoboLab-120 基准测试中,Praxis-1 在 1200 个场景中完成了 555 个,成功率约 46.2%。在“世界动作模型”及“开放机器人基础模型”类别中,该表现处于领先地位。尽管 Runway 表示相关研究仍处于早期阶段,后续将重点探索长期规划及利用预测结果评估改进自身动作,但当前的基准成绩已验证了视频预训练数据在具身智能领域的有效迁移能力。
速度优势与成本结构
官方数据显示,在相同工作站和任务条件下,Praxis-1 的完成速度比由 GPT-6 Astra 驱动的机械臂快 15.6 倍。更为关键的是,完成每个任务的成本仅为 GPT-6 Astra 的 51 分之一。这种显著的推理成本优势,使得在大规模部署机械臂任务时,使用 Praxis-1 能极大降低运营成本。对于追求高吞吐量工业场景而言,这种基于本地量化模型的高速推理能力,比单纯依赖高性能云端 API 更具经济可持续性,也为私有化部署提供了极强的性价比支撑。
来源:IT之家