Runway將機器人「世界動作模型」Praxis-1的權重依Apache 2.0授權條款公開，允許商用。這個模型9月首度亮相，當時僅提供合作夥伴試用；現在任何機器人開發者和研究人員都能下載、部署與微調。
Praxis-1是一個270億參數的混合專家（MoE）擴散Transformer，特色是把影片和動作放在一起預測：模型一邊推演後續幾格的畫面，一邊輸出機器人該如何動作。它先在大規模影片上進行預訓練。Runway在說明中提到一項發現：用網路影片與用遙控操作機器人影片做預訓練資料，最後得到的策略表現相當。至於訓練資料的具體規模，文中並未披露。
與同類模型並列比較
Runway引用的是輝達（Nvidia）RoboLab-120排行榜的成績，統計口徑為1200個回合，資料截至2026年11月：
| 模型 | RoboLab-120成功率 |
|---|---|
| Praxis-1 | 46.2% |
| FLUX 3 Action | 42.9% |
| Cosmos3 Nano | 36.8% |
| π0.5 | 28.0% |
榜首與第二名相差3.3個百分點，與π0.5則相差18.2個百分點。幾個對手的來歷各不相同：Cosmos系列出自輝達，也就是這份排行榜的維護方；π0.5來自專攻機器人基礎模型的Physical Intelligence。一家影片生成公司的模型排在晶片公司與機器人新創公司之前，至少在這份榜單上，「先學會預測畫面，再學會動手」的路線跑出了成績。
另一項成績來自SimplerEnv：在一台訓練時沒見過的RT-1機器人上微調後，Praxis-1的成功率為80.0%，RT-1自身的原始策略則是52.4%。這組數字與榜單成績均由Runway及合作夥伴公布，目前尚未看到獨立複測。
46.2%的成功率放在機器人領域並不算低，但也意味著超過一半的回合任務沒有完成。公告只給出1200個回合彙總後的整體成功率，哪些任務拉高、哪些拖後腿，並未拆開列出。對想把它導入產線的廠商來說，單項任務的穩定性比總榜名次更重要，這部分資料要等權重公開後，由社群自行跑出來。
合作夥伴已裝上實機
在公開權重之前，三家合作夥伴已經在自家硬體上測試過：Noble Machines的人形機器人、Standard Bots的六軸工業機械手臂，以及Ultra的雙臂倉儲機器人。三種型態差異很大，Runway的說法是，靠LoRA適配就能接上新的機身、攝影機與任務，不必重新訓練整個模型。
"With LoRA you can adapt it to your own embodiment, cameras and tasks without retraining the full model."（用LoRA就能適配你自己的機身、攝影機和任務，不必重新訓練整個模型。）
在運行方面，Runway列出的輝達硬體包括H100、B200、RTX 5090、RTX PRO 6000，以及裝在機器人身上的Jetson Thor。RTX 5090這類消費級顯示卡也在名單中，代表小團隊也能在本機跑起來做實驗，不過需要多少顯示記憶體、端側推論能跑到多少幀率，說明中都沒有提供。
去哪裡取得
權重與程式碼分別放在GitHub的runwayml/praxis-1-oss，以及Hugging Face的runwayml/praxis-1，後者原生支援Hugging Face的LeRobot框架。vLLM-Omni與Reactor託管推論也已接入，輝達NeMo Automodel則提供了後訓練教學。要規劃量產部署的團隊，Runway請他們直接聯絡其機器人團隊。
Runway過去幾年的主業是影片生成，從Gen系列一路走到世界模型。這次免費釋出一個能落地到機械手臂和人形機器人上的模型，等於把影片預訓練累積的能力直接交給機器人產業使用。
參考來源：CocoLoop、Runway官方公告（核對參數量、授權條款、RoboLab-120與SimplerEnv成功率及統計口徑）、Runway開發者頁面的Praxis-1介紹。