Runway publicó Praxis-1, un modelo de pesos abiertos que combina predicción de video y generación de acciones para que los robots aprendan a manipular objetos. La compañía destaca sus resultados en dos benchmarks, aunque reconoce dificultades con instrucciones ambiguas y tareas de varios pasos.
***
- Praxis-1 tiene 27.000 millones de parámetros y está disponible bajo la licencia Apache 2.0.
- Runway reporta 46,2% de éxito en RoboLab-120 y 80% en SimplerEnv tras un ajuste para RT-1.
- El modelo apunta a distintas configuraciones robóticas, pero aún falla ante objetos similares e instrucciones ambiguas.
Runway anunció el 11 de noviembre la disponibilidad pública de Praxis-1, un modelo de inteligencia artificial de pesos abiertos orientado a la robótica. Con 27.000 millones de parámetros y licencia Apache 2.0, la herramienta busca que los robots aprendan tareas físicas combinando predicción de video con generación de acciones, a partir de conocimientos extraídos de videos a gran escala.
La propuesta se aparta de los sistemas que dependen principalmente de conjuntos de datos creados para un robot específico: primero aprende patrones generales sobre el comportamiento de los objetos y luego puede adaptarse a una configuración robótica particular. Runway sostiene que Praxis-1 obtuvo resultados destacados entre los modelos abiertos de robótica en un benchmark industrial, aunque sus cifras también muestran que no lidera frente a todos los sistemas evaluados.
Un modelo que anticipa cambios y produce acciones
Praxis-1 reúne dos capacidades que suelen analizarse por separado: estimar cómo evolucionará una escena y generar acciones para que un robot interactúe con ella. En términos prácticos, el sistema no solo procesa la imagen de un objeto, sino que intenta anticipar qué ocurrirá cuando el robot lo agarre, lo mueva o lo coloque en otro sitio, una conexión entre percepción y acción que resulta central para la manipulación física.
La compañía plantea que el entrenamiento con videos generales permite aprender regularidades sobre cómo se comportan e interactúan los objetos, sin depender desde el inicio de grabaciones específicas de cada brazo robótico. Después, los desarrolladores pueden ajustar el modelo a una plataforma concreta, una estrategia que pretende reutilizar parte del conocimiento aprendido en distintos entornos y reducir la necesidad de empezar desde cero para cada equipo.
Ese enfoque contrasta con las políticas entrenadas principalmente mediante datos recogidos de robots, que describen acciones dentro de una configuración física determinada. Praxis-1 intenta aprovechar un repertorio visual más amplio antes de realizar la adaptación, aunque la información publicada no significa que cualquier robot pueda ejecutar el modelo sin trabajo adicional: la propia propuesta contempla el ajuste a sistemas particulares y sus herramientas incluyen opciones para afinarlo.
Runway presentó inicialmente Praxis-1 en septiembre y ahora puso a disposición pública los pesos del modelo, el software de inferencia y herramientas de ajuste fino. La licencia Apache 2.0 permite su uso y adaptación en investigación y aplicaciones comerciales, mientras que el soporte para LeRobot ofrece una vía de integración con ese framework; los materiales están disponibles en GitHub y Hugging Face.
Las cifras de las pruebas y sus límites
En RoboLab-120, benchmark de Nvidia que mide manipulación en 120 tareas simuladas de mesa y 1.200 pruebas, Runway reporta que Praxis-1 alcanzó una tasa de éxito de 46,2%. La cifra supera el 42,9% de FLUX 3 Action, el 36,8% de Cosmos 3 Nano y el 28% de π0.5, por lo que coloca al modelo por delante de esos sistemas abiertos evaluados en la misma prueba.
La comparación no equivale, sin embargo, a afirmar que Praxis-1 sea el modelo de mejor desempeño entre todos los participantes del benchmark. El leaderboard de RoboLab-120 de Nvidia también incluye agentes de inteligencia artificial de propósito general con puntuaciones superiores. Por ello, el 46,2% debe leerse como una comparación entre los sistemas citados por Runway, no como un liderazgo absoluto en toda la clasificación.
Runway también comunicó un resultado de 80% de éxito en SimplerEnv después de ajustar Praxis-1 para el robot RT-1 de Google. La compañía lo contrapone al 52,4% de la política original de RT-1, una diferencia que sugiere una mejora en ese entorno de evaluación, pero que corresponde al sistema afinado para esa plataforma y no a una medición universal del desempeño del modelo en cualquier robot o tarea.
Los benchmarks permiten comparar sistemas bajo condiciones definidas y aportan indicios sobre su capacidad para resolver tareas simuladas, pero no describen por sí solos todas las exigencias de un uso físico cotidiano. En este caso, las cifras citadas se refieren a pruebas RoboLab-120 y SimplerEnv; la información de Runway no presenta resultados adicionales que permitan extender esas tasas a otros contextos o a todas las configuraciones robóticas mencionadas.
Adaptación a robots y tareas cotidianas
Runway afirma que una misma base de Praxis-1 puede adaptarse a brazos industriales, robots de almacén con dos brazos y sistemas humanoides. La compañía menciona como socios de desarrollo a Noble Machines, Standard Bots y Ultra, una lista que da cuenta de colaboraciones en el trabajo con distintas configuraciones, pero no detalla en el material proporcionado qué productos específicos desarrolló cada socio ni el estado comercial de esas iniciativas.
Entre las demostraciones descritas aparecen tareas de manipulación cotidiana, como clasificar objetos, cerrar cajones y colocar artículos en contenedores. La empresa también mostró coordinación entre dos brazos robóticos, una capacidad relevante para tareas en las que una extremidad puede sostener o estabilizar un objeto mientras la otra realiza una acción, aunque la noticia no aporta métricas separadas para cada demostración.
La promesa de transferir conocimiento visual desde videos generales podría reducir la dependencia de datos robóticos costosos y específicos, según Runway. Si ese enfoque funciona en diferentes plataformas, los equipos de investigación y desarrollo podrían tener más margen para adaptar modelos sin reunir desde el inicio grandes colecciones de ejemplos de cada máquina; aun así, la adaptación y las pruebas continúan siendo necesarias para comprobar el comportamiento en cada sistema.
La licencia abierta también permite que investigadores y desarrolladores examinen los pesos y ajusten el modelo a sus necesidades, en vez de limitarse a una interfaz cerrada. La disponibilidad en GitHub y Hugging Face, junto con el soporte para LeRobot, amplía las herramientas ofrecidas para experimentar, pero por sí sola no demuestra que la integración resulte sencilla en todos los casos ni que el rendimiento anunciado se reproduzca fuera de los benchmarks descritos.
Los desafíos que la empresa reconoce
Runway reconoce que Praxis-1 todavía tiene dificultades cuando debe distinguir objetos visualmente similares, interpretar instrucciones ambiguas o completar tareas complejas que exigen varias acciones consecutivas. Estos límites son importantes porque una manipulación exitosa no depende únicamente de reconocer una escena: el sistema también debe escoger una acción adecuada y mantener una secuencia coherente hasta alcanzar el objetivo.
Las limitaciones descritas acotan el alcance de las cifras de éxito y de las demostraciones de tareas cotidianas. Un resultado favorable en una prueba simulada no elimina los problemas que surgen cuando cambian los objetos, las instrucciones o el número de pasos requeridos; además, la información disponible no cuantifica por separado con qué frecuencia aparecen esos fallos ni qué ajustes permitirían corregirlos.
La empresa planea continuar investigando el razonamiento a largo plazo, la planificación autónoma y los modelos de acción de mundo que puedan mejorarse por sí mismos. Esas líneas apuntan a que los robots puedan organizar secuencias más extensas y aprender con menos intervención, pero Runway las presenta como objetivos de investigación futura, no como capacidades ya resueltas por la versión que acaba de publicar.
Por ahora, Praxis-1 combina una licencia abierta, una arquitectura de gran tamaño y resultados que Runway considera competitivos entre los modelos abiertos de robótica, junto con limitaciones reconocidas en percepción e instrucciones. Su evolución dependerá de cómo se adapte a distintas máquinas y de si las pruebas y herramientas disponibles permiten a desarrolladores externos reproducir y ampliar las capacidades anunciadas.
ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.
Suscríbete a nuestro boletín
Artículos Relacionados
Hardware
Ucrania busca recuperar más de 500 drones Puma con tecnología antinterferencias
Empresas
Hablarle con rudeza a ChatGPT elevó su precisión, pero también cambió el costo
Estados Unidos
Computadoras y chips importados por EE. UU. registran un salto récord de 26,5%
Corea del Sur
