Am 11. November 2026 hat Runway die Gewichte und den Code von Praxis-1 unter der Apache-2.0-Lizenz vollständig als Open Source veröffentlicht – auch für kommerzielle Nutzung. Es ist ein World-Action-Modell mit 27 Mrd. Parametern: Es lernt zunächst durch Video-Pretraining, wie die Welt als Nächstes aussehen wird, und verwandelt diese Vorhersage dann in Roboterbewegungen. Das Fazit vorweg: Für Forscher und Teams mit GPUs lohnt sich ein Blick; normale Nutzer können es noch nicht betreiben.
Was dieses Projekt eigentlich ist
Praxis-1 ist Runways erstes World-Action-Modell. Sein Rückgrat ist ein Mixture-of-Experts-Diffusion-Transformer mit 26,9 Mrd. Parametern, von denen pro Token nur etwa 2,8 Mrd. aktiv sind, plus ein rund 314 Mio. Parameter großer Action-Experte, der vorhergesagte Videomerkmale in Bewegungen übersetzt. Der offizielle Code liegt im GitHub-Repository von Runway, die Gewichte auf Hugging Face, mit Unterstützung für LeRobot und vLLM-Omni; gehostete Inferenz läuft über Runways Reactor.
Auf NVIDIAs RoboLab-120 gelang dem mit DROID feinabgestimmten Praxis-1 in 555 von 1.200 Versuchen ein Erfolg – eine Erfolgsquote von 46,2 % und Platz 1 unter den World-Action-Modellen und Open-Source-Roboter-Basismodellen, vor FLUX 3 Action, π0.5 und GR00T N1.6. Es steuert einen zweiarmigen YAM-Roboter und einen einzelnen Franka-Arm und lässt sich auf den kostengünstigen SO-101 feinabstimmen, um echte Aufgaben zu erledigen.
Bereitstellungskosten und Einstieg
Das vollständige Modell hat 27,2 Mrd. Parameter und belegt in bf16-Präzision 54,4 GB; eine einzelne 80-GB-GPU reicht aus – abgedeckt sind H100- und B200-Rechenzentrumskarten, RTX 5090 und RTX PRO 6000 für Workstations sowie der Jetson Thor im Roboter selbst. Die Veröffentlichung umfasst drei Checkpoints – DROID-feinabgestimmt, zweiarmig-YAM-feinabgestimmt und das Basismodell – mit Voll-Fine-Tuning und günstigerem LoRA sowie 4-Bit-NVFP4-Quantisierung.
Die Hürde ist nicht der Download, sondern was danach kommt: Man braucht einen Roboter oder eine Simulationsumgebung (eine MuJoCo-Simulationsumgebung ist enthalten) und eigene Aufgabendaten fürs Fine-Tuning. Wer keine Hardware hat und es nur auf dem Laptop ausprobieren will, sollte zuerst die gehostete Inferenz in Reactor testen und nicht übereilt die Gewichte herunterladen.
Echte Fallstricke
Erstens verwechselt das Modell leicht ähnlich aussehende Objekte: Liegen zwei ähnlich aussehende Dinge nebeneinander, greift es womöglich nach dem falschen. Zweitens sind die Benchmarks von Runway selbst berichtet; zum Zeitpunkt der Veröffentlichung gab es keine unabhängige Replikation durch Dritte – die 46,2 % also als Richtwert behandeln. Drittens braucht es Rechenleistung auf Rechenzentrumsniveau: Eine persönliche Workstation schafft gerade eben Inferenz, Training und großflächiges Fine-Tuning bleiben Teamarbeit. Für wen es passt: Forscher in Embodied AI und Roboterlernen sowie Teams mit GPUs und Roboterhardware. Für wen nicht: Gelegenheitsnutzer, die es nur ausprobieren wollen, und Entwickler ohne Roboterhardware – erst die gehostete Version testen und warten, bis Ökosystem und Tutorials nachziehen. Zur Ankündigung von Runway am selben Tag siehe Runway veröffentlicht Praxis-1 als Open Source; zum früheren wichtigen Vertreter des World-Model-Ansatzes siehe NVIDIA Cosmos.
