Praxis-1 开源：46.2% 是分组第一，同榜四个更高

11 月 11 日，Runway 把 Praxis-1 按 Apache 2.0 放开：27.2B 参数的世界动作模型，RoboLab-120 成功率 46.2%。官方给的定语是「世界动作模型第一」和「开源机器人基础模型第一」。

两个定语都成立。容易漏掉的是同一张表上的其余 7 个数字，其中 4 个比它高，最高 86.0%。

一、46.2% 赢的是分组，不是总榜

基准是英伟达的 RoboLab-120：120 个桌面任务，每个跑 10 次，共 1,200 episodes，DROID 风格的机械臂。Praxis-1 成功 555 次。

Runway 技术报告第 8 节列了同榜的其余成绩。这张表比发布稿复杂得多。

按这张表，Praxis-1 排第五。发布稿的定语写得准确：它赢的是「世界动作模型」和「开源机器人基础模型」两个分组，前者对 FLUX 3 Action 的 42.9%，后者对 Cosmos3 Nano 的 36.8%。

被省略的是上面四行。AMP1 高出 39.8 个百分点；SenseNova 直接用前沿 VLM 当策略，代价是每回合约 55 分钟；BiMind v0.5 在 RoboLab 数据上微调过，属于见过考题。

3.3 个百分点是 40 次试验

与最接近的 FLUX 3 Action 差 3.3 个百分点，换算成试验是 40 次：555 对 515。

按 p 等于 0.4625、n 等于 1,200 算二项标准误，约 1.44 个百分点，95% 区间正负 2.8 个。40 次试验的差距，落在这个区间的边缘。

粒度更值得注意。每个任务 10 次，单任务翻转就是 0.83 个百分点；120 个任务难度不均，聚类之后的有效样本远小于 1,200。

报告只写了「多数任务 10 次全中，部分 9、8、7 次」，没给任务级分布。榜首的稳定性，恰好取决于这部分没公开的数据。

也不能和英伟达 GR00T 2 的 40% 直接横比：那是另一个基准的零样本口径，我们此前拆过它 43 万小时视频与 40% 的关系。

二、27.2B 里只有 2.8B 在干活

架构分三段：视频主干、动作专家、每个机器人一个轻量投影层。主干沿用 Runway 视频基础模型的 diffusion transformer。

潜空间来自冻结的 Wan2.2 VAE，指令由冻结的 Qwen3.5-2B 编码。主干 26.9B，动作专家 314M，两项相加正好是 27.2B。

主干 20 个前馈层里 17 个是 MoE。每层 1 个共享专家加 128 个路由专家，每个 token 选 8 个，含共享共 9 个。

按官方说法，每个 token 走过的 9 个专家合计宽度约等于一个 dense 层：计算量接近 dense，参数却按 129 个专家存。活跃参数 2.8B，占 10.3%。

动作专家是 dense 的 16 层、宽 1024，8 个 cross-attention 分别读主干 8 个编码块。主干不读专家，但动作损失会通过 cross-attention 反传。

注意力改成了 chunk-causal：以 1.6 秒为一块，每块只能看之前的块。视频与动作靠两路 rectified flow 联合采样，只用 2 步 Euler。

量化版把 54.4GB 压到 17.5GB

bf16 权重 54.4GB，单块 80GB 卡占 68%，剩 25.6GB 给激活与 KV。NVFP4 把路由专家打成 4bit，权重降到 17.5GB，是原体积的 32%。

代价要分开看，两个指标给出的信号并不一致。

RoboLab 少 8 次试验，600 次的标准误约 2.0 个百分点；YAM 少 2 次，30 次的标准误约 5.5 个。两个差距都落在噪声里。

抓取质量反而从 2.40 升到 2.73，说明 30 次试验分不出优劣，也提醒不要拿单次数字给量化下结论。

17.5GB 意味着 32GB 的消费卡装得下权重。但官方只给了硬件列表，从 H100 到 RTX 5090 再到 Jetson Thor，没给显存要求，激活与 KV 要自己留余量。

三、1.6 秒一块：算 545ms，空 1,055ms

动作按 chunk 出：每块 24 行、15Hz，也就是 1.6 秒。首帧只覆盖当前帧，所以第一次调用返回 21 行。

单张 H100、p50：双臂 YAM 545ms，单臂 Franka 522ms。545 除以 1,600 是 34%，算 1.6 秒的动作，只用掉三分之一时间。

剩下 1,055ms 是空等。一块 H100 每秒能出 1.83 块，一台机器人每 1.6 秒要 1 块，即 0.625 块每秒，理论上带 2.9 台。

这是排队论上限：利用率 34%，且假设没有感知、规划和其他争抢。真实部署按 2 台算，留一倍冗余更稳妥。

RTC 用 13 个点换 40% 的时间

实时分块加流式（RTC）把延迟压到 128ms（YAM）和 124ms（Franka），约为 chunked 的 23.5%，即快 4.26 倍。机械臂空等从 32% 降到 5%。

时间省 40.1%，成功率掉 13.3 个百分点。仓储分拣按吞吐算账，这个交换合适；精细装配按一次成功率算，就不合适。

成本也能自己算。16 秒任务等于 10 块，每块 545ms，约 5.45 秒 GPU 时间。按 2 美元每小时租 H100，是 0.003 美元。

官方报价 0.04 美元每任务，约 13 倍。差额在平台、冗余与运维，不在算力本身。这比按秒计价的视频生成更容易算成「按台」的成本。

同一批真实任务里，GPT-6 Astra 平均 4 分 13 秒、1.87 美元每任务。官方据此说快 15.6 倍、省 51 倍。

四、数据不是瓶颈，视频才是

官方的核心主张是：通用网络视频与遥操作视频，在预训练阶段效果相当。瓶颈因此从「能采多少机器人数据」变成「能看多少视频」。

报告没有给这条主张的直接消融。能查到的只有间接证据：中训练算力越多，下游微调越好；给定真实未来视频，动作误差降到部署时的五分之一。

各阶段的微调数据量差别很大，值得单独看一眼。

RT-1 只用了 95 小时，而且这个本体在训练时没见过，SimplerEnv 到 80.0%，原策略是 52.4%。YAM 用了 1,400 小时以上。

数据量差 15 倍，指标却不是同一个。这恰恰说明「多少小时」不是唯一变量：相机数量、动作维度、场景多样性都在里面。

中训练第 5 个点没涨

报告给了一条算力缩放曲线，纵轴是 DROID 微调后的 RoboLab-120 成功率：25.5%、35.2%、39.2%、41.2%、41.2%。

四个增量的幅度是 9.7、4.0、2.0，大约每步减半。按这个规律，第 5 个点该再涨 1 个百分点左右，实际是 0。

这是全文最值得抄的一张曲线：继续加算力没有立刻变成成功率，收益在第四个点就基本用尽。能不能再涨，要看数据质量，不是看卡数。

失败集中在「想象」，不在「动作」

Oracle 消融给了一个干净的结论：把真实未来视频喂给模型，动作误差降到部署时的五分之一。也就是八成误差来自视频主干想象错了未来。

这和失败模式对得上。最常见的真机失败是抓错外形相似的物体，而且错误在想象的视频里已经能看出来。

第二类是模糊指令：没说颜色、大小，模型只能在合理物体里猜，遇到相似物体就容易选错。第三类是长任务：单条 prompt 串多步仍然困难。

修法因此不在动作头。要么改视觉表征与指令措辞，要么按官方建议，把任务拆给语言模型或 VLM 去做。

Praxis-1 值得看的地方不在 46.2%，在 10.3% 的活跃参数比和每卡 2.9 台的吞吐：它把「机器人策略」的成本压到了可以按台算的水平。Apache 2.0 加三个 checkpoint，小团队也能在自有本体上试。

需要打折的部分同样清楚。榜首是分组口径，8 个成绩里排第五；全部自测，没有榜单链接，没有任务级分布；「网络视频替代遥操作数据」这条关键主张，报告里也没有直接消融。

要用它，建议路径是先在自有本体上跑 LoRA，再在同一批任务上对比 RTC 与 chunked 的成功率和节拍。低成本适配的另一条路，可以参考我们拆过的参数删除式后训练。

至于 0.04 美元每任务这个量级意味着什么，可以对照视频生成按秒计价来看：同样是「机器替人干活」，一个按秒卖，一个开始按件卖。