動画生成AIを手がけるRunwayは2026年11月11日、ロボット制御モデル「Praxis-1」のモデル重みとコードを公開しました。Praxis-1そのものは9月に紹介済みで、今回の更新点は、研究者や開発者がモデルを入手し、手元の環境で検証できるようになったことです。モデルはApache License 2.0で公開されています。

ロボットに文章で命令すれば家事を全部任せられるアプリが公開されたわけではありません。配布されるのは開発用のモデルです。使うにはGPU環境のほか、対応するロボットの構成、センサー入力、ロボットごとの調整、安全に動作を試す場所が必要になります。

動画から学んだことをロボットの動きに変える仕組み

Praxis-1が扱うのは、映像に写る物の動きと、ロボットが次に取るべき動作との関係です。たとえば、物を持ち上げて容器に移す作業では、カメラ画像だけでなく「物をどちらに動かすか」「次の瞬間にどう見えるか」を対応づけて操作を予測します。

Praxis-1は、約270億パラメータのMoE型拡散Transformerを基盤とするモデルです。MoEは複数の処理を使い分ける構造で、パラメータは学習によって調整する数値を指します。

Runwayは、大量の動画で物理的な動きのパターンを学び、ロボットの操作データで実機の動きと結び付ける方法を説明しています。インターネット上の動画を直接ロボットの関節角度に変換すればよいという単純な仕組みではありません。人の手とロボットの腕では関節、力のかけ方、センサーが違うためです。

研究上の期待は、実機だけで膨大な訓練データを集める負担を軽くできることです。一方で、視点の違いや物の重さ、摩擦、道具の形が変わったときに同じ成功率が出るかは別の検証が必要になります。

RoboLab-120と実機試験での成功率・比較条件

Runwayは「RoboLab-120」という評価で、120種類の作業を対象に計1,200回試し、Praxis-1の成功率を46.2%と公表しています。同社の比較表ではFLUX 3 Actionは42.9%、Cosmos3 Nanoは36.8%、π0.5は28.0%でした。46.2%と42.9%の差は3.3パーセントポイントです。

この比較から分かるのは、Runwayが示す評価条件ではPraxis-1が比較対象を上回ったということです。ロボットを買えば家庭で46.2%の確率で仕事が成功するという予測ではありません。

ロボット機種、評価項目、追加学習や試行回数が違えば比較できません。しかも46.2%は、失敗を許容できない商用ラインにそのまま導入するには不足する場面が多い数値です。

Runwayは別の評価として、Frankaのロボット腕で10種類の作業を各10回行った実機試験も紹介しています。Praxis-1は100回中88回、比較対象のFLUX 3 Actionは80回成功したとする結果です。RoboLab-120の46.2%と実機の88%は試験内容が異なるため、一方の数値だけで「実際には88%の精度」と結論づけることはできません。

Runwayは、GoogleのRT-1ロボット向けに追加学習した別試験も報告しています。SimplerEnvでの成功率は、Praxis-1が80.0%、元のRT-1が52.4%でした。

このSimplerEnvの試験は、RoboLab-120やFrankaの実機試験とは評価環境が異なります。それぞれの成功率を、同じ条件のランキングとして比較することはできません。

公開された3種類のモデルはどう違う?

Runwayはベースモデルのほか、DROIDとYAM向けに調整したチェックポイントの計3種類を案内しています。チェックポイントは学習済みの重みを保存したデータです。Hugging Faceから入手でき、GitHubには推論や学習・シミュレーションのためのコードが紹介されています。

ベースモデルは自分のデータで検証する出発点、調整済みモデルは対応データの条件に近い環境で比較するための選択肢です。モデルの重みだけを入れても、ロボットが動くとは限りません。カメラ画像の形式、アクションの表現、制御周期、ロボット側のソフトウェアとの接続を合わせる必要があります。

ライセンスはApache 2.0として説明されていますが、配布元以外のデータセット、追加のソフトウェア、ロボット本体まで一律に同じ許諾になるわけではありません。商用の試験では、使用するデータ、ソフトウェア、機体それぞれの利用条件を確認してください。

Runwayの公開実装では、ロボット開発用のLeRobotとの連携、推論用ソフトvLLM-Omniでの実行、LoRAによる追加学習を案内しています。LoRAは、モデルの一部を追加調整して学習の負担を抑える方法です。

RunwayはGPU環境の例としてNVIDIA H100・B200のほか、RTX 5090やRTX PRO 6000、Jetson Thorを挙げています。ただし利用できるGPUの名前が示されていることと、手元の構成で同じ速度・成功率が得られることは別です。

初めて試す開発者は、配布コードに必要なソフトウェアとメモリー容量を確認してください。学習前にサンプルの推論を再現すると、実行環境の問題を見つけやすくなります。

手元のGPUで実行するほか、外部サーバーで動かすReactorのホスト型推論や、Runway Devで試す方法も案内されています。追加学習はモデル全体を調整する方式とLoRAに対応します。利用先ごとの契約・料金と、データを送信してよい範囲を確認してください。

推論・シミュレーション・実機テストの進め方

研究者が導入する場合は、まず公開コードの対応環境とGPU要件を読み、追加学習せずにサンプルの推論を再現してください。次に、使用するカメラとロボットの入出力を合わせ、シミュレーションで動作範囲や失敗時の挙動を確認しましょう。

実機テストでは、人が立ち入らない範囲、非常停止、接触の検出、失敗から復帰する仕組みを別に準備してください。

Praxis-1はロボット研究の実験基盤です。今後、異なる機種や現場のデータで成功率を再現できるかが実用化の判断材料になります。同時期に発表されたGoogleの「Gemini Robotics 2.5」は提携企業向けの提供が中心で、今回のRunwayのような重み公開とは提供形態が違います。

映像と動作を一緒に扱う基礎はマルチモーダルAIの解説、性能の比較条件はベンチマークの解説で確認できます。

公式発表:Runway「Praxis-1 Is Now Available」

研究説明:Praxis-1: From Video Pretraining to Robot Control