Runway 正式开源参数 27B 的世界动作模型 Praxis-1，采用 MoE 混合专家扩散 Transformer 架构，核心特点是同时预测未来画面视频和机器人执行动作，依托海量公开视频做预训练，不用大量昂贵的机器人实操演示数据就能完成机器人策略学习，在 NVIDIA RoboLab-120 机器人榜单拿到第一名，支持 Apache2.0 协议商用，适配机械臂、人形机器人、仓储双臂机器人等多种硬件，对 embodied 具身智能、机器人开发的开发者来说门槛降低不少。传统机器人模型大多靠人工遥控采集机器人实操数据，这类数据采集成本高、数量少，很难泛化到陌生场景；Praxis-1 换了思路，用互联网上大量普通第三人称视频学习物体运动逻辑，理解任务该怎么完成，再输出机器人动作指令，它是混合专家结构，总参数 27B，每个 token 实际激活大约 3B 参数，算力开销比同等规模稠密模型更低，官方放出单臂、双臂、基础通用三类权重，还有 NVFP4 量化版本，能在 RTX5090 上跑起来，bf16 版本建议 80G 显存 H100 显卡。开发者可以直接在 Hugging Face、GitHub 拿到权重和代码，支持 LeRobot、vLLM-Omni，也支持全参数微调、LoRA 轻量微调，在跨机器人本体迁移测试里表现突出，就算预训练阶段没见过的机器人，少量微调之后任务成功率也能明显拉高。
一、Praxis-1 核心参数清单
- 模型全称：Praxis-1
- 总参数量：27B，MoE 混合专家，单 token 激活约 3B 参数
- 架构：扩散 Transformer MoE
- 开源协议：Apache 2.0，允许商用
- 核心能力：同步预测视频画面 + 机器人动作
- 基准成绩：RoboLab-120 综合成功率 46.2%
- 权重版本：praxis-1-droid（单臂）、praxis-1-yam（双臂）、praxis-1-base（通用底座）、NVFP4 量化版
- 推荐硬件：bf16 版本需要 H100（80GB 显存）；NVFP4 量化版适配 RTX5090（32GB 显存）
- 部署渠道：Hugging Face、GitHub、Reactor 托管推理
- 配套生态：原生 LeRobot 支持、vLLM-Omni 加速，支持 LoRA / 全参数微调
二、主流世界动作模型 Benchmark 对比表
| 模型 | RoboLab-120 成功率 | 核心特点 | 开源状态 |
|---|---|---|---|
| Praxis-1 | 46.2% | 27B MoE，视频 + 动作联合预测 | 开源，Apache2.0 |
| FLUX 3 Action | 42.9% | 图像动作模型 | 开源 |
| Cosmos3 Nano | 36.8% | Cosmos 联盟基础世界模型 | 开源 |
| π0.5 | 28.0% | 轻量机器人策略模型 | 开源 |
三、Praxis-1 支持的机器人硬件清单
- 六轴工业机械臂
- 仓储双臂分拣机器人
- 足式人形机器人
- 其他第三方机器人（少量微调即可适配）
四、Praxis-1 运行工作流程
- 输入：摄像头实时画面 + 自然语言任务指令（例如把网球放进盒子）
- 模型推理：同时预测下一步画面变化、输出机器人关节动作指令
- 下发动作：动作指令传给机器人控制器执行
- 环境反馈：摄像头采集新画面，循环迭代
- 微调优化：开发者可以用少量机器人实操数据做 LoRA 微调，适配专属任务
五、优势和短板清单
✅ 优势
- 依靠通用视频预训练，不用海量机器人示教数据，降低数据成本
- 跨本体泛化能力强，陌生机器人少量微调就能获得不错效果
- Apache2.0 开源，商用无版权阻碍，权重、推理代码全部放出
- 有量化版本，消费级高端显卡可以本地跑
- 和 Cosmos 联盟技术路线打通，适配世界模型生态
- 对显存门槛高，普通 24G 显卡无法运行 bf16 原版
- 复杂长时序任务、高精度工业装配场景稳定性还需要更多验证
- 真实场景的噪声、光线变化，依旧会影响成功率
- 属于基础底座模型，落地还要搭配机器人控制、感知工程开发
❌ 短板
六、后续跟踪重点信号
- 更多第三方开发者实测的真实机器人场景成功率
- 更小参数量、更低显存版本的推出
- 更多机器人厂商原生适配、落地项目公布
- 后续迭代版本在更长链条任务上的性能提升
- Cosmos 联盟其他模型和 Praxis-1 的组合方案
【相关 FAQ】
问题 1：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，Praxis-1 是什么类型的模型？
回答 1：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，Praxis-1 是 27B 参数 MoE 混合专家扩散 Transformer 世界动作模型，能够同时预测未来视频画面和机器人动作，面向具身智能机器人。
问题 2：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，Praxis-1 的开源协议是什么，可以商用吗？
回答 2：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，Praxis-1 采用 Apache2.0 开源协议，权重和代码开放，允许企业商用、二次微调。
问题 3：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，Praxis-1 为什么和传统机器人模型不一样？
回答 3：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，传统机器人模型高度依赖机器人遥控示教数据，采集成本高；Praxis-1 主要靠海量通用第三人称视频学习环境逻辑，大幅降低机器人训练的数据门槛。
问题 4：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，跑 Praxis-1 需要什么显卡？
回答 4：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，bf16 原版建议 H100（80GB 显存）；NVFP4 量化版本可以在 RTX5090（32GB 显存）本地部署，24G 显卡无法运行原版。
问题 5：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，Praxis-1 在 RoboLab-120 榜单表现如何？
回答 5：Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作，Praxis-1 在 RoboLab-120 基准测试综合成功率 46.2%，超过 FLUX 3 Action、Cosmos3 Nano、π0.5 等竞品，排名第一。
【参考资料】
[2026-11-12]（Runway Open-Sources 27B World Action Model Praxis-1）AIBase
[2026-11-12]（Runway’s Praxis-1 world action model for robotics is now available）The Robot Report
[2026-11-12]（Runway Praxis-1 Guide: Open Robot Model, VRAM and Setup）Freaky Jolly
[2026-11-11]（Praxis-1 Is Now Available）Runway 官方新闻
[2026-11-11]（Introducing Praxis-1: Runway's Open-Weight World Action Model）Runway 研究博客
【免责声明】
以上内容仅为 Runway Praxis-1 模型资讯梳理，不构成机器人项目落地、算力采购投资建议。模型跑分是官方基准测试结果，真实机器人落地效果受硬件、环境、微调数据影响；不同版本权重显存需求、推理延迟存在差异，商用落地前请自行完成场景验证，遵守 Apache2.0 协议相关要求。
本文来自作者[元轨信使人]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/kjyw/202611/1622.html
评论列表（4条）
我是环球科技潮的签约作者“元轨信使人”！
希望本篇文章《Runway 开源 27B 世界动作模型 Praxis-1，可同步预测画面与机器人动作》能对你有所帮助！
本站[环球科技潮]内容主要涵盖：科技,科技新闻,黑科技
本文概览：Runway 正式开源参数 27B 的世界动作模型 Praxis-1，采用 MoE 混合专家扩散 Transformer 架构，核心特点是同时预测未来画面视频和机器人执行动作，依托海量公开视频做预训练，不用大量昂贵的机器人实操演示数据就能完成机器人策略学习，在 NVIDIA RoboLab-120 机器人榜单拿到第一名，支持 Apache2.0 协议商用，适配机械臂、人形机器人、仓储双臂机器人等多种硬件，对 embodied 具身智能、机器人开发的开发者来说门槛降低不少。传统机器人模型大多靠人工遥控采集机器人实操数据，这类数据采集成本高、数量少，很难泛化到陌生场景；Praxis-1 换了思路，用互联网上大量普通第三人称视频学习物体运动逻辑，理解任务该怎么完成，再输出机器人动作指令，它是混合专家结构，总参数 27B，每个 token 实际激活大约 3B 参数，算力开销比同等规模稠密模型更低，官方放出单臂、双臂、基础通用三类权重，还有 NVFP4 量化版本，能在 RTX5090 上跑起来，bf16 版本建议 80G 显存 H100 显卡。开发者可以直接在 Hugging Face、GitHub 拿到权重和代码，支持 LeRobot、vLLM-Omni，也支持全参数微调、LoRA 轻量微调，在跨机器人本体迁移测试里表现突出，就算预训练阶段没见过的机器人，少量微调之后任务成功率也能明显拉高。