Runway libera Praxis-1, robótica open-weight Apache 2.0
Praxis-1 chega com pesos abertos sob Apache 2.0, desempenho líder no RoboLab-120 e suporte para adaptação rápida em diferentes hardwares, de H100 a Jetson Thor
Danilo Gato
Autor
Introdução
Runway Praxis-1 chegou como um modelo de robótica open-weight sob licença Apache 2.0, com publicação oficial em 11 de novembro de 2026. A empresa afirma que o modelo lidera o ranking RoboLab-120 da NVIDIA, com 46,2 por cento de sucesso em 1.200 episódios, superando alternativas abertas e rivais de mercado. O anúncio reforça a tese de que modelos de mundo, treinados em vídeo em larga escala, estão prontos para tarefas de manipulação no mundo físico. (runway.com)
O lançamento inclui pesos, código de inferência e suporte a fine-tuning, disponíveis no GitHub e no Hugging Face, além de hosted inference via Reactor e compatibilidade com vLLM-Omni. Há ênfase em rodar do data center, com GPUs H100 e B200, até a borda, em estações RTX e plataformas embarcadas como Jetson Thor. Esse pacote operacional e de licenciamento busca reduzir fricções para pesquisa e para produção comercial. (runway.com)
O que é o Runway Praxis-1
Praxis-1 é apresentado como um “world action model” que prevê vídeo e ações, um transformador de difusão com mistura de especialistas, com 27 bilhões de parâmetros, treinado sobre vídeo em larga escala e orientado a tarefas de robótica. No benchmark RoboLab-120, o modelo marca 46,2 por cento, acima de FLUX 3 Action, Cosmos3 Nano e π0.5, de acordo com a Runway. O post técnico da pesquisa detalha a transição de pré-treinamento em vídeo para controle de robô, incluindo os mecanismos que fazem o backbone de vídeo e o especialista de ações trabalharem em conjunto. (runway.com)
No repositório oficial, a Runway descreve dois checkpoints da mesma variante, Praxis-1-droid para braço único e Praxis-1-yam para robótica bimanual, com versões NVFP4 com quantização ciente. O pipeline integra VAE de vídeo Wan2.2 e Qwen3.5-2B como codificador de texto, com geração de comandos a 15 Hz e previsão conjunta de latentes de vídeo. Os requisitos de execução listam PyTorch 2.13, CUDA 13 e otimizações como FlashAttention, além de scripts prontos para simulação com MuJoCo. (github.com)
Por que o open-weight sob Apache 2.0 importa
Licenciar com Apache 2.0, incluindo pesos e código de inferência e fine-tuning, simplifica a adoção comercial. Organizações conseguem inspecionar, adaptar e implantar sem negociações proprietárias, com liberdade de uso e distribuição, desde que cumpram os termos da licença. O artigo da Runway posiciona os pesos abertos como alavanca para o ecossistema de hardware, já que fabricantes e integradores precisam de flexibilidade para rodar, depurar e especializar políticas em rigs específicos. (runway.com)
O efeito prático aparece no pipeline: além de full fine-tuning, há suporte a LoRA para adaptar o modelo a novas câmeras, cinemáticas e tarefas com menos custo de GPU. Para equipes de produto, esse caminho reduz o tempo entre prova de conceito e piloto, uma barreira comum em robótica. O fato de o repositório já incluir instruções passo a passo para simulação e avaliação encurta ainda mais o ciclo. (github.com)
Desempenho e avaliação no RoboLab-120
RoboLab-120, criado pela NVIDIA, é um benchmark de 120 tarefas que cobre eixos de competência visual, procedimental e relacional, com avaliação automatizada de sucesso. A documentação oficial, o paper e a leaderboard pública tornam o resultado do Praxis-1 verificável por pares da comunidade. O site do projeto e o artigo técnico contextualizam como perturbações controladas e cenários variados medem a robustez de políticas generalistas. (arxiv.org)
Os números divulgados pela Runway apontam 46,2 por cento no RoboLab-120, com vantagem sobre modelos abertos concorrentes. Embora tabelas do leaderboard mudem com frequência, a metodologia transparente permite reexecução e comparação de checkpoints, o que tende a frear alegações infladas. Consultar a leaderboard direta e a página de pesquisa da Runway ajuda a entender a evolução do ranking em novembro de 2026. (research.nvidia.com)
Adaptação a hardware, do data center ao robô
Segundo a Runway, Praxis-1 roda fora da caixa em pilhas NVIDIA, do data center às estações e ao robô, incluindo H100, B200, RTX 5090, RTX PRO 6000 e Jetson Thor. Para times de engenharia, significa que um único checkpoint pode ser treinado, avaliado e depois levado à borda, preservando consistência. Jetson Thor, a linha de computação embarcada da NVIDIA para robótica e IA física, foi desenhada para rodar a pilha Isaac e modelos generativos modernos, com suporte oficial documentado em materiais técnicos e no site institucional. (runway.com)
No repositório do Praxis-1, há otimizações de inferência e tabelas de compatibilidade que indicam caminhos para seleção de arquitetura e uso eficiente de memória, incluindo variações com quantização NVFP4. Em cenários de produção, esse tipo de ajuste faz diferença direta no throughput por watt, no jitter de controle e na latência de loop fechado, fatores críticos em manipulação bimanual e tarefas com contato. (github.com)

Ecossistema, ferramentas e deployment
A distribuição inclui artefatos no Hugging Face, com coleção dedicada para os checkpoints e integração nativa com LeRobot, a biblioteca mantida pela Hugging Face para padronizar controle de robôs e facilitar datasets, drivers e agentes. Esse encaixe reduz o atrito entre pesquisa aberta e aplicações, já que a mesma interface Python viabiliza do SO-101 a plataformas humanoides, com protocolos unificados. (huggingface.co)
Para servir em escala, vLLM-Omni aparece como runtime de inferência multi-modalidade capaz de hospedar modelos de visão, vídeo e ação, com documentação e relatório técnico recentes. A Runway também cita hosted inference no Reactor, opção útil para demos, protótipos de integradores e POCs com clientes onde o objetivo é validar fluxo de trabalho antes de otimizar binários e kernels para a borda. (docs.vllm.ai)
No anúncio, a Runway lista parceiros de lançamento, como Noble Machines e Standard Bots, além de Ultra, e exemplos de tarefas em linguagem natural que o modelo executa em rigs variados. Esse dado é relevante para integradores que precisam de transferência entre embodiments, já que o custo de teleoperação específica por braço reduz quando o backbone de vídeo já captura dinâmica de objetos e affordances do mundo real. (runway.com)
Como começar, do laboratório ao chão de fábrica
Para validar internamente, o caminho rápido é clonar o repositório, baixar pesos no Hugging Face e rodar a simulação com MuJoCo. O guia oficial inclui comandos, checagem de integridade de checkpoints e parâmetros padrão para tarefas como block_in_bowl. Em seguida, o time escolhe se prefere fine-tuning completo do backbone ou adaptação via LoRA, que costuma ser mais eficiente em GPU única de 80 GB. (github.com)
Depois da simulação, a recomendação prática é executar uma ponte de dados da sua câmera e cinemática para o formato canônico do pipeline, com validação de latência fim a fim. Em rigs com restrições, vale medir custo de VAE, camadas de texto e operações de câmera, então ativar otimizações listadas no repositório. Em hardware embarcado, mapear o orçamento térmico e os modos de energia do Jetson Thor ajuda a manter estabilidade, principalmente em turnos longos. (github.com)
Reflexões e insights práticos
Abrir pesos sob Apache 2.0 em um modelo de robótica de ponta resolve um gargalo crônico, a discrepância entre pesquisa e integração. Quando a licença é permissiva e o stack cobre do treinamento à inferência e ao fine-tuning, a soma reduz dramaticamente a dependência de soluções proprietárias pouco auditáveis. Isso incentiva auditoria, reprodutibilidade e acelera padrões de interoperabilidade que o setor precisa para sair de pilotos e ir a escala. (runway.com)
Benchmarks como RoboLab-120 amadurecem a conversa. Não há um único número mágico que garanta sucesso no mundo real, mas uma bateria ampla de tarefas com avaliação automatizada permite estimar generalização e robustez. Com a leaderboard pública e releases frequentes, equipes podem rastrear regressões, validar ganhos e, principalmente, comparar estratégias de adaptação, de full fine-tuning a LoRA e quantização, em pipelines equivalentes. (research.nvidia.com)
Servir políticas de ação e vídeo não é trivial. A escolha de runtime, como vLLM-Omni em servidores e stacks otimizados na borda, precisa alinhar estabilidade, latência e custo. A vantagem de um modelo único que transita entre H100 e Jetson Thor é reduzir reengenharia quando o produto evolui de ambiente controlado para campo. Investir desde cedo em telemetria, perfis de carga e orquestração por eventos tende a pagar dividendos durante escalonamento. (docs.vllm.ai)
Conclusão
Praxis-1 sinaliza uma fase nova para IA física, em que modelos de mundo, treinados majoritariamente em vídeo, atingem níveis de desempenho que fazem sentido operacional, com licença e artefatos que habilitam adoção séria. O pacote open-weight, a liderança no RoboLab-120 no anúncio de 11 de novembro de 2026 e o suporte a hardware amplo apontam um caminho realista entre laboratório e chão de fábrica. (runway.com)
Para quem constrói robôs, a recomendação é pragmática. Validar em simulação, fechar o loop com dados do seu rig, medir latência e throughput, depois escolher o ponto ótimo de adaptação entre LoRA e fine-tuning completo. Com a base aberta e documentação ativa no GitHub, Hugging Face e ferramentas de serving modernas, há menos atrito para experimentar, auditar e implantar. O efeito composto disso tende a elevar a barra de qualidade e segurança da robótica aplicada. (github.com)
Leia também
Genie 4 da DeepMind, simulação tempo real com áudio e física
Genie 4, anunciado pela Google DeepMind em 27 de outubro de 2026, avança a simulação de mundo com interação em tempo real, áudio nativo e física mais convincente. O modelo estreia em pesquisa com testadores de confiança e deve chegar ao Project Genie, assinantes Google AI Ultra e parceiros da Gemini API. Entenda capacidades, limitações, casos de uso e impactos para jogos, entretenimento e prototipagem.
10 min de leituraRobóticaUnitree lança H2-X, humanoide com bateria de 8 h e kung fu
A Unitree apresentou o H2-X, um humanoide que mistura demonstrações de kung fu com um posicionamento de guarda pessoal e resgate. O destaque é a autonomia anunciada de até 8 horas em pé, bem acima do H2. O artigo analisa dados, contexto e limitações, além de implicações práticas para segurança, indústria e P&D.
9 min de leituraSegurança de SoftwareAnthropic lança OSS Scanner, IA grátis para projetos OSS
O Anthropic OSS Scanner promete varreduras gratuitas, rápidas e frequentes em repositórios open source, com relatórios gerados por IA e possíveis patches. A iniciativa nasce após a experiência do Project Glasswing e busca acelerar a correção de falhas críticas em larga escala, sem sobrecarregar processos de divulgação. Veja como funciona, quem pode aderir, como se inscrever e o que muda frente a scanners tradicionais e ferramentas comerciais.
11 min de leituraRobótica e IAUBTECH inaugura fábrica na China para 10.000+ humanoides/ano
A UBTECH abriu uma fábrica em Liuzhou, China, projetada para produzir mais de 10.000 robôs humanoides por ano. A linha completa um robô a cada 10 minutos e usa gêmeo digital e automação, com parceria da Siemens. Entenda por que isso muda o jogo para manufatura, quais modelos serão fabricados e o que esperar da adoção industrial.
9 min de leitura