Runway resmi membuka akses bobot model kecerdasan buatan Praxis-1 pada 11 November 2026 untuk mendukung pengembangan robotika dan sistem otomatisasi. Model ini menggunakan pendekatan world action model yang menggabungkan pemahaman video dengan prediksi gerakan robot. Dengan sekitar 27 miliar parameter, Praxis-1 dirancang untuk membantu robot mengenali lingkungan dan menjalankan tindakan berdasarkan instruksi. Runway juga menyediakan kode inferensi serta penyesuaian model melalui lisensi Apache 2.0, termasuk untuk penggunaan komersial. Perkembangan teknologi tersebut membuka peluang bagi peneliti dan pengembang robot untuk membangun sistem otomatisasi yang lebih fleksibel tanpa harus melatih seluruh model dari awal.
Pengembangan Praxis-1 Memperluas Akses Teknologi Robotika AI
Runway memperkenalkan bobot model Praxis-1 sebagai upaya mendukung penelitian otomatisasi berbasis AI. Teknologi Praxis-1 telah diumumkan sejak September 2026 sebelum perangkat lunak serta bobotnya dirilis untuk pengembang. Dengan peluncuran akses terbuka tersebut, pengembang memperoleh kesempatan menyesuaikan sistem tanpa harus mengembangkan seluruh fondasi AI dari awal. Kebijakan distribusi model berpotensi mempercepat inovasi robotika dalam kebutuhan industri yang sesuai.
Salah satu aspek penting adalah penggunaan lisensi Apache 2.0. Dengan menggunakan lisensi ini, pengembang dapat menggunakan dan memodifikasi model, termasuk untuk pengembangan produk komersial, selama mengikuti kewajiban yang berlaku. Namun demikian, distribusi model tidak otomatis mencakup seluruh sumber penelitian. Runway menyediakan bobot model dan kode inferensi melalui platform distribusi pengembangan. Melalui dukungan sumber daya ini, peneliti memiliki fondasi untuk melakukan pengujian.
Arsitektur AI Praxis-1 yang Menggabungkan Video dan Tindakan
Praxis-1 menggunakan pendekatan *world action model*, yaitu arsitektur yang mempelajari hubungan visual dan tindakan. Berbeda dari sistem robot konvensional, Praxis-1 menggunakan representasi visual untuk memperkirakan tindakan. Model ini menggunakan masukan kamera bersama arahan pengguna sebelum menentukan rangkaian aksi berdasarkan konteks. Untuk menggambarkan penerapannya, lengan robot mungkin diminta memindahkan objek. Dengan memanfaatkan representasi visual, model berusaha memperkirakan perubahan posisi objek. Pendekatan tersebut memperluas metode pembelajaran tindakan otomatis.
Dalam pengembangan perangkat lunaknya, Praxis-1 dibangun menggunakan puluhan miliar parameter melalui pendekatan jaringan pakar. Model tersebut menyatukan pemrosesan visual dan keluaran aksi. Ketika model dijalankan, model menghasilkan informasi visual serta tindakan. Modul pengolah tindakan memanfaatkan informasi yang dipelajari sistem visual untuk menyusun tindakan robot. Melalui arsitektur ini, sistem mempertimbangkan kemungkinan perubahan lingkungan. Meski pendekatannya menjanjikan, model masih dapat melakukan kesalahan.
Pelatihan Berbasis Video Membantu Praxis-1 Beradaptasi dengan Robot
Hambatan yang sering dihadapi penelitian robotika adalah keterbatasan data gerakan robot. Untuk melatih sistem robot, peneliti biasanya membutuhkan demonstrasi yang sesuai dengan perangkat keras tertentu. Kegiatan merekam gerakan robot sering memerlukan perangkat serta operator khusus. Dalam pendekatan Praxis-1, pengembang mengandalkan pelatihan awal melalui video berskala besar. Dengan menggunakan metode tersebut, model mempelajari pola pergerakan objek. Pengetahuan tersebut kemudian digunakan sebagai fondasi pengembangan kebijakan tindakan.
Pendekatan pelatihan awal masih memerlukan adaptasi terhadap perangkat fisik. Setiap robot menggunakan konfigurasi sensor tersendiri. Sebagai contoh, lengan industri enam sumbu membutuhkan perintah gerakan yang tidak identik. Karena itu, sistem kontrol membutuhkan adaptasi perangkat keras. Berkat pengetahuan awal yang tersedia, pengembangan model khusus mungkin lebih cepat. Namun demikian, keamanan dan keandalan tetap harus diuji.
Performa Model Runway dalam Evaluasi RoboLab-120
Runway melaporkan, Praxis-1 mencatat success rate sebesar 46,2 persen pada benchmark NVIDIA RoboLab-120. Pengujian tersebut melibatkan total 1.200 episode pengujian yang terdiri atas berbagai pekerjaan robot meja. Berdasarkan hasil benchmark terkait, FLUX 3 Action mencatat tingkat sukses 42,9 persen, sedangkan Cosmos3 Nano mencapai 36,8 persen. Untuk model pembanding lainnya, π0.5 memperoleh hasil 28,0 persen. Data evaluasi tersebut memperlihatkan kemampuan kompetitif pada benchmark tersebut. Namun demikian, angka benchmark tidak otomatis menggambarkan seluruh kondisi dunia nyata.
Di samping pengujian simulasi utama, Runway menjalankan eksperimen robotika melalui SimplerEnv. Dalam penelitian tersebut, Praxis-1 diadaptasi untuk konfigurasi robot Google RT-1. Berdasarkan pengujian tersebut menunjukkan Praxis-1 memperoleh tingkat sukses 80,0 persen, dibandingkan hasil RT-1 awal sebesar 52,4 persen. Temuan tersebut menunjukkan potensi transfer kemampuan. Perlu diperhatikan, hasil tersebut berasal dari konfigurasi pengujian tertentu. Untuk memahami kualitas model secara menyeluruh, evaluasi keamanan operasional harus dilakukan. Proses validasi tambahan menjadi bagian penting sebelum penerapan luas.
Bobot Praxis-1 Tersedia untuk Penyesuaian dan Pengembangan Robot
Dalam distribusi publik Praxis-1, Runway menyediakan model melalui Hugging Face serta kode program melalui GitHub. Distribusi perangkat lunak tersebut memungkinkan peneliti menjalankan eksperimen. Dalam paket pengembangannya disertakan kode inferensi dan dukungan fine-tuning. Teknik penyesuaian yang tersedia adalah LoRA atau Low-Rank Adaptation, yaitu metode adaptasi model tanpa memperbarui seluruh bobot. Melalui metode tersebut, pengembang dapat mengadaptasi model untuk robot tertentu. Meski kebutuhan pelatihannya dapat lebih ringan, keberhasilan adaptasi tidak dijamin pada setiap perangkat.
Model robotika tersebut memiliki dukungan perangkat lunak LeRobot dan vLLM-Omni untuk membantu proses penggunaan model. Sebagai alternatif penggunaan, Reactor menyediakan pilihan inferensi yang dihosting. Untuk menjalankan model secara mandiri, persyaratan komputasi perlu diperhatikan. Perangkat lunak robotika tersebut membutuhkan konfigurasi komputasi yang sesuai. Dalam dukungan perangkat yang diumumkan, Praxis-1 mendukung sejumlah GPU NVIDIA, termasuk H100, B200, RTX 5090, RTX PRO 6000, dan Jetson Thor dalam konfigurasi yang sesuai. Namun demikian, kapasitas dan optimasi tetap memengaruhi proses inferensi. Apabila kebutuhan teknis dipenuhi, proses integrasi dapat berjalan lebih efektif.
Masa Depan Pengembangan Sistem Otomatisasi melalui Model Runway
Peluncuran bobot model Praxis-1 membuka peluang baru dalam pengembangan robot berbasis kecerdasan buatan. Melalui pendekatan world action model, Praxis-1 menawarkan fondasi bagi sistem kontrol yang lebih fleksibel. Distribusi model melalui platform pengembang membuka kesempatan adaptasi perangkat keras. Pengujian pada RoboLab-120 juga mendukung penelitian lanjutan mengenai adaptasi robot. Namun demikian, penerapan dunia nyata tetap membutuhkan validasi. Melalui pengembangan perangkat lunak dan perangkat keras yang terarah, sistem tersebut mungkin membantu penelitian kontrol robot. Apa pandangan Anda, apakah Praxis-1 dapat membantu pengembangan otomatisasi? Sampaikan pandangan Anda mengenai masa depan kecerdasan buatan dalam sistem otomatisasi.
