Runway Praxis-1 yayımlandı: Açık ağırlıklarla robot kontrolü

Runway, robot kontrolü için geliştirdiği Praxis-1 modelini 14 Kasım 2026’da açık ağırlıklar ve kaynak koduyla yayımladı. Model, kamera görüntülerini, metin talimatlarını ve robotun konum verisini girdi olarak alıyor; ardından ortamda gerçekleşebilecek değişimi tahmin ederek buna uygun hareketler hesaplıyor. Yeni kamera kareleri geldikçe kontrol kararlarını güncelliyor. Ağırlıklar ve kod Apache 2.0 lisansı altında sunuluyor; model Hugging Face üzerinden, kayıt ve erişim koşullarının kabul edilmesinin ardından indirilebiliyor.

Video verisinden robot kontrolüne

Praxis-1’in temelini, nesnelerin hareketlerini ve birbirleriyle etkileşimlerini sıradan videolardan öğrenen bir model oluşturuyor. Runway, bu modeli insan eylemlerini gösteren videolar ve robot verileriyle ek olarak eğitti. Şirketin yaklaşımı, robotlara özgü veri toplama ihtiyacını azaltmayı amaçlıyor. Bununla birlikte, yayımlanan modelin yeni robot türlerine uyarlanması için ek robot verisiyle eğitim gerektiği de belirtiliyor.

Runway, Praxis-1’i sahnenin gelecekteki durumunu tahmin edip robot hareketlerine dönüştüren bir “World Action Model” olarak tanımlıyor. Şirketin verdiği bilgiye göre Standard Bots, Noble Machines ve Ultra, eylül ayından bu yana modeli farklı sistemlerde deniyor. Denenen platformlar arasında insansı bir robot, endüstriyel robot kolu ve çift kollu bir depo robotu bulunuyor.

Test sonuçları nasıl okunmalı?

Runway’nin aktardığı testlerde Praxis-1, NVIDIA RoboLab-120 liderlik tablosunda simülasyondaki 120 görevde yüzde 46,2 başarı oranına ulaştı. Görevler nesneleri ayırma, kavrama ve istiflemeyi kapsıyor. Aynı test koşullarında FLUX 3 Action yüzde 42,9 elde etti. Praxis-1, World Action Model kategorisinde ilk sırada; genel sıralamada ise iki yapay zekâ ajanı ve farklı mimarilere sahip iki robot modelinin ardından beşinci sırada yer aldı. Testleri Runway yürüttü; sonuçlar bağımsız olarak doğrulanmış değil.

Şirket, gerçek bir Franka robot koluyla da deneme yaptı. On görev için ayrı ayrı on deneme gerçekleştirildi; Praxis-1 toplam 88 denemede başarılı olurken FLUX 3 Action 80 başarı kaydetti. Başka bir testte model, daha önce karşılaşmadığı bir mobil robot türüne uyarlandı. Runway’nin açıklamasına göre yaklaşık 95 saatlik robot verisiyle ek eğitim sonrasında simülasyondaki ortalama başarı oranı yüzde 80 oldu. Aynı karşılaştırmada Google’ın RT-1 modeli yüzde 52,4’e ulaştı.

Donanım gereksinimi ve bilinen sınırlamalar

Runway’nin belgelerinde standart Praxis-1 sürümü için 80 GB belleğe sahip GPU gerektiği belirtiliyor. Şirketin bellek tahminine göre sıkıştırılmış sürümün 32 GB VRAM’li RTX 5090’a sığması bekleniyor. Ancak belgelerde, bu sürümün en yüksek bellek kullanımının henüz ölçülmediği de aktarılıyor. Temel modelin farklı robot sistemlerinde çalışması için ek eğitim gerekiyor; Runway bazı robotlara önceden uyarlanmış sürümlerin de sunulduğunu söylüyor.

Model, görünüşleri birbirine benzeyen nesneleri karıştırabiliyor ve net olmayan talimatlarda zorlanabiliyor. Uzun görevlerde yapılacak işlerin ayrı adımlarla tarif edilmesi gerekiyor; Praxis-1 karmaşık eylem dizilerini henüz kendi başına güvenilir biçimde planlayamıyor. Bu nedenle testlerdeki başarı oranları, farklı robot ve görevlerde aynı performansın alınacağını göstermiyor.

Mimarlık ve görselleştirme iş akışlarına etkisi

Praxis-1, kaynakta mimarlık yazılımları veya archviz üretimi için tasarlanmış bir araç olarak sunulmuyor. Ancak robotların kamera görüntüleri ve talimatlarla fiziksel ortamlarda hareket etmesi, robotik sistemleri mekân projelerinde değerlendiren ekipler için izlenmesi gereken bir gelişme. Uygulamayı düşünen ofislerin hedef robot için ek eğitim ihtiyacını, GPU belleğini ve Apache 2.0 lisans koşullarını incelemesi gerekiyor.

Modelin kamera görüntüsü alması, tek başına bir render yazılımıyla veya mimari sahneyle entegre olduğu anlamına gelmiyor. Kaynakta bu tür uyumluluk bilgisi bulunmuyor. Bu nedenle Praxis-1’in mimarlık ve görselleştirme açısından mevcut önemi, doğrudan bir üretim aracı sunmasından çok, fiziksel mekânlarda görev yapan robotların kontrolüne yönelik bir model olmasıyla sınırlı.