Le 11 novembre 2026, Runway a publié en open source les poids et le code de Praxis-1 sous licence Apache 2.0, y compris pour un usage commercial. Il s'agit d'un modèle d'action mondial de 27 milliards de paramètres : il apprend d'abord, par pré-entraînement vidéo, à quoi le monde va ressembler ensuite, puis convertit cette prédiction en actions de robot. Verdict d'emblée : intéressant pour les chercheurs et les équipes disposant de GPU ; les utilisateurs ordinaires ne peuvent pas encore le faire tourner.
Ce qu'est réellement ce projet
Praxis-1 est le premier modèle d'action mondial de Runway. Son épine dorsale est un transformeur de diffusion à mélange d'experts de 26,9 milliards de paramètres, dont seulement environ 2,8 milliards sont actifs par token, plus un expert d'action d'environ 314 millions de paramètres qui convertit les caractéristiques vidéo prédites en mouvements. Le code officiel se trouve dans le dépôt GitHub de Runway, les poids sur Hugging Face, avec prise en charge de LeRobot et vLLM-Omni, et l'inférence hébergée passe par Reactor de Runway.
Sur RoboLab-120 de NVIDIA, Praxis-1 affiné sur DROID a réussi 555 essais sur 1 200, soit un taux de réussite de 46,2 %, se classant premier parmi les modèles d'action mondiaux et les modèles de base robotiques open source, devant FLUX 3 Action, π0.5 et GR00T N1.6. Il contrôle un robot YAM à deux bras et un seul bras Franka, et peut être affiné sur le SO-101, peu coûteux, pour des tâches réelles.
Coût de déploiement et prise en main
Le modèle complet compte 27,2 milliards de paramètres et occupe 54,4 Go en précision bf16 ; un seul GPU de 80 Go suffit, avec prise en charge des cartes de centre de données H100 et B200, des cartes de station de travail RTX 5090 et RTX PRO 6000, ainsi que du Jetson Thor embarqué dans le robot. La publication comprend trois points de contrôle — version affinée sur DROID, version affinée sur YAM à deux bras et modèle de base — avec affinage complet et LoRA, moins coûteux, plus une quantification NVFP4 4 bits.
L'obstacle n'est pas le téléchargement, mais la suite : il faut un robot ou un environnement de simulation (un environnement de simulation MuJoCo est inclus), ainsi que ses propres données de tâche pour l'affinage. Sans matériel, si l'on veut simplement l'essayer sur un ordinateur portable, mieux vaut d'abord tester l'inférence hébergée de Reactor plutôt que de télécharger les poids précipitamment.
Les vrais pièges
Premièrement, le modèle confond facilement les objets qui se ressemblent : placez deux objets d'apparence similaire côte à côte et il risque de saisir le mauvais. Deuxièmement, les scores sont auto-déclarés par Runway ; au moment de la publication, aucune réplication indépendante par un tiers n'existait — considérez donc 46,2 % comme une référence. Troisièmement, il faut une puissance de calcul de niveau centre de données : une station de travail personnelle peine à faire tourner l'inférence, tandis que l'entraînement et l'affinage à grande échelle restent un travail d'équipe. À qui cela convient : chercheurs en IA incarnée et en apprentissage robotique, équipes disposant de GPU et de matériel robotique. À qui cela ne convient pas : utilisateurs occasionnels qui veulent juste essayer, développeurs sans matériel robotique — essayez d'abord la version hébergée et attendez que l'écosystème et les tutoriels suivent. Pour l'annonce de Runway le même jour, voir Runway publie Praxis-1 en open source ; pour le précédent représentant majeur de la voie des modèles du monde, voir NVIDIA Cosmos.
