Runway a rendu publics les poids de Praxis-1, son « modèle d'action dans le monde » pour robots, sous licence Apache 2.0, usage commercial autorisé. Le modèle avait été dévoilé en septembre et n'était alors proposé qu'à des partenaires pour essai ; désormais, tout développeur ou chercheur en robotique peut le télécharger, le déployer et l'affiner.
Praxis-1 est un Transformer de diffusion à mélange d'experts (MoE) de 27 milliards de paramètres. Sa particularité est de prédire conjointement la vidéo et l'action : le modèle projette les images des prochaines trames tout en indiquant comment le robot doit se mouvoir. Il a été pré-entraîné sur de la vidéo à grande échelle. Dans sa présentation, Runway évoque un constat : que les données de pré-entraînement soient des vidéos du web ou des vidéos de robots téléopérés, la politique obtenue offre des performances comparables. La quantité exacte de données d'entraînement n'est pas divulguée dans l'annonce.
Face aux modèles comparables
Runway s'appuie sur les résultats du classement RoboLab-120 de Nvidia, calculés sur 1200 épisodes, données arrêtées en novembre 2026 :
| Modèle | Taux de réussite RoboLab-120 |
|---|---|
| Praxis-1 | 46,2 % |
| FLUX 3 Action | 42,9 % |
| Cosmos3 Nano | 36,8 % |
| π0.5 | 28,0 % |
L'écart entre la première et la deuxième place est de 3,3 points de pourcentage, et de 18,2 points avec π0.5. Les concurrents ont des origines bien différentes : la famille Cosmos vient de Nvidia, qui tient justement ce classement, et π0.5 de Physical Intelligence, spécialiste des modèles de fondation pour la robotique. Qu'un modèle issu d'une société de génération vidéo devance ceux d'un fabricant de puces et d'une start-up de robotique montre que, au moins sur ce classement, la voie « apprendre d'abord à prédire l'image, puis à agir » porte ses fruits.
Un autre résultat provient de SimplerEnv : après affinage sur un robot RT-1 jamais vu à l'entraînement, Praxis-1 atteint un taux de réussite de 80,0 %, contre 52,4 % pour la politique d'origine de RT-1. Ces chiffres, comme ceux du classement, ont été publiés par Runway et ses partenaires ; aucune reproduction indépendante n'est connue à ce jour.
Un taux de 46,2 % n'est pas faible en robotique, mais il signifie aussi que, dans plus de la moitié des épisodes, la tâche n'a pas été accomplie. L'annonce ne donne que le taux global agrégé sur 1200 épisodes, sans détailler les tâches qui le tirent vers le haut ou vers le bas. Pour les constructeurs qui veulent l'utiliser en production, la stabilité tâche par tâche compte davantage que le rang au classement général ; ces données devront être produites par la communauté une fois les poids publiés.
Des partenaires l'ont déjà installé sur de vrais robots
Avant la publication des poids, trois partenaires l'avaient déjà testé sur leur propre matériel : le robot humanoïde de Noble Machines, le bras industriel six axes de Standard Bots et le robot d'entrepôt à deux bras d'Ultra. Ces trois formes diffèrent beaucoup et, selon Runway, une adaptation par LoRA suffit pour le raccorder à de nouveaux corps, caméras et tâches, sans réentraîner tout le modèle.
« With LoRA you can adapt it to your own embodiment, cameras and tasks without retraining the full model. »
Côté exécution, le matériel Nvidia cité par Runway comprend les H100, B200, RTX 5090, RTX PRO 6000 ainsi que le Jetson Thor embarqué dans le robot. La présence d'une carte grand public comme la RTX 5090 signifie que de petites équipes peuvent aussi l'exécuter en local pour expérimenter, même si la présentation ne précise ni la mémoire vidéo requise ni le nombre d'images par seconde atteint en inférence embarquée.
Où le trouver
Les poids et le code se trouvent sur GitHub, à runwayml/praxis-1-oss, et sur Hugging Face, à runwayml/praxis-1, ce dernier prenant en charge nativement le framework LeRobot de Hugging Face. L'inférence hébergée via vLLM-Omni et Reactor est elle aussi intégrée, et Nvidia NeMo Automodel propose un tutoriel de post-entraînement. Les équipes qui préparent un déploiement en série sont invitées par Runway à contacter directement son équipe robotique.
Ces dernières années, l'activité principale de Runway a été la génération vidéo, de la série Gen aux modèles de monde. En offrant ici gratuitement un modèle capable de tourner sur des bras robotisés et des humanoïdes, l'entreprise remet en pratique directement à l'industrie robotique les capacités accumulées grâce au pré-entraînement vidéo.
Sources : CocoLoop, annonce officielle de Runway (vérifiés : nombre de paramètres, licence, taux de réussite RoboLab-120 et SimplerEnv et méthode de comptage), présentation de Praxis-1 sur la page développeurs de Runway.