本文目录

继 2026 年 9 月在研究博客发表初步介绍后,Runway 于 2026 年 11 月 11 日正式宣布开放旗下世界动作模型(World Action Model,WAM)Praxis-1 的模型权重及推理、微调代码。需要明确区分的是,9 月研究介绍与 11 月 11 日正式开放权重属于两个独立时间节点(9 月介绍页顶部现已添加指向 11 月上线新闻的更新提示);同时,Praxis-1 是把大规模视频预训练转化为实体机械臂控制策略的机器人基础模型,并非 Runway 的视频成片生成模型,也不是 App Studio 或 Gen 系列创作工具。

混合专家视频动作架构、变体矩阵与硬件门槛

在技术架构与参数规模上,Runway 官方不同文档给出了互补的细节口径:

参数规模与双模态预测机制:11 月上线新闻将其概括为 27B 参数混合专家扩散 Transformer(MoE diffusion transformer),同时预测未来视频与机器人动作;同月发布的《Praxis-1: From Video Pretraining to Robot Control》技术报告进一步拆解为约 26.9B 参数的视频骨干(单 Token 约 2.8B 活跃参数)搭配约 314M 参数的动作专家(16 层、宽度 1,024),每次推理输出未来视频块及 1.6 秒动作序列(24 行、15 Hz),文本编码器与视觉编码器分别采用冻结的 Qwen3.5-2B 与 Wan2.2 VAE。Hugging Face 上的 praxis-1-droid 模型卡则标注为 27.2B 参数块因果主干加 0.3B 动作专家,其 bf16 权重体积为 54.4 GB(共 17 个 safetensors 分片)。

Hugging Face 模型集合变体:目前 runwayml/praxis-1 集合收录了面向单臂 Franka 的 praxis-1-droid、不含动作头以便适配新机器人构型的 praxis-1-base、面向双臂操作的 praxis-1-yam、适配 SO-100/SO-101 机械臂的 praxis-1-so101,以及对应的 -lerobot 格式变体、-nvfp4 量化权重与评测数据集 praxis-1-eval。

硬件要求与接入渠道:GitHub 代码仓库 runwayml/praxis-1-oss 的快速入门要求 Python 3.12、一块至少具备 80 GB 显存的 CUDA 显卡以及 CUDA 13.0 驱动;11 月新闻页另称该模型可在 NVIDIA H100、B200、RTX 5090、RTX PRO 6000 与 Jetson Thor 等硬件上运行(两套官方表述并列)。官方同时点名 Noble Machines、Standard Bots 与 Ultra 为启动合作伙伴,并提供 LeRobot 原生支持、NVIDIA NeMo Automodel 教程及 Reactor 托管推理入口(Reactor 页面标示的价格与延迟未经独立实测,新闻中提及的 vLLM-Omni 暂未附带官方入口链接)。

图 1 Runway Praxis-1 规格参数、Hugging Face 变体矩阵与获取边界对照
图 1 Runway Praxis-1 规格参数、Hugging Face 变体矩阵与获取边界对照

图片来源:DigIntoAI 根据 Runway 11 月上线公告、技术报告及 Hugging Face 模型卡整理制作。

开源许可条款与 Hugging Face 门禁下载边界

开发者在下载或集成 Praxis-1 前,需要厘清两项获取与合规边界:

权重下载需登录并接受 HF 自动门禁:虽然各仓库模型卡的 license 字段均标注为 apache-2.0,且根目录下 LICENSE(标准 Apache License 2.0,2004 年 1 月版)与 README.md 在未登录状态下可直接访问,但整个集合的 gated 字段均为 auto。未登录请求 config.json、SHA256SUMS 与权重分片会返回 HTTP 401,用户必须登录 Hugging Face 账号并同意共享用户信息及使用条款后方可下载权重。

Apache 2.0 许可范围与冻结依赖边界:标准 Apache 2.0 许可允许复制、修改、分发与商业使用(支持完整微调与 LoRA),但要求保留许可声明,并受专利诉讼终止、不自动授予商标权以及按“原样(AS IS)”提供等条款约束。此外,冻结依赖组件 Wan2.2 VAE 与 Qwen3.5-2B 不包含在 Praxis-1 权重仓库中,各自受其原有独立许可约束。

图 2 Runway 官方技术报告 Figure 8:RoboLab-120 成功率(120 个桌面任务共 1,200 回合,每任务 10 次试验)。此为官方原图,非本站独立测试。
图 2 Runway 官方技术报告 Figure 8:RoboLab-120 成功率(120 个桌面任务共 1,200 回合,每任务 10 次试验)。此为官方原图,非本站独立测试。

图片来源:Runway 技术报告《Praxis-1: From Video Pretraining to Robot Control》Figure 8,https://runway.com/research/praxis-1-video-pretraining-to-robot-control

官方自述评测成绩与独立核验说明

在技术报告中,Runway 公布了在 DROID 上微调后的 Praxis-1 检查点评测结果(以下均为官方披露数据,非本站独立复现评测):

NVIDIA RoboLab-120 仿真桌面基准(技术报告 Figure 8 完整名单):在 120 个桌面任务、每任务 10 次试验(共 1,200 回合)的仿真评测中,Praxis-1 取得 46.2% 成功率(555 / 1,200 回合,与 NVIDIA RoboLab-120 页面内嵌公开数据及 2026 年 11 月 5 日提交记录一致),高于同图所列其他世界动作模型 FLUX 3 Action(42.9%)、Atomic-WAM(39.6%)、OASIS WAM(39.0%)、Cosmos 3 Nano(36.8%)与 DreamZero(25.7%),也高于开源视觉-语言-动作模型(VLA)π0.5(28.0%)与 GR00T N1.6(7.3%)。Runway 称其在发表时排名第一。

真机对比与 SimplerEnv 跨机型泛化(Figure 9 与 Figure 13):在 Positronic 操作的 Franka FR3 真机测试中(10 个任务各测 2 轮 × 5 回合,采样于 11 月 2 日),Praxis-1 取得 88.0%(88/100),高于 FLUX 3 Action 的 80.0%(80/100);在训练期间未见过的 Google RT-1 构型上微调后,SimplerEnv 四任务平均成功率为 80.0%(原收敛 RT-1 策略为 52.4%,FLUX 3 Action 微调版为 39.7%)。