Runway开源27B世界动作模型，登顶同类榜单

一、270 亿参数的世界动作模型，究竟在算什么

2026 年 11 月 11 日，Runway 把 Praxis-1 的权重挂上了 Hugging Face，许可证一栏写着 Apache 2.0。过去三年，这家纽约公司被人记住的是 Gen 系列视频模型。这一次它交出来的，是能直接驱动机械臂的东西，官方叫它世界动作模型，总参数 272 亿。

名字听着玄，做的事很朴素。机器人接到「把杯子倒扣在托盘上」，相机给出画面，模型先把接下来一秒多的画面演一遍，再倒推出让画面变成那样的关节动作；执行完，新画面回传，再演一遍。世界动作模型的核心循环里，视频预测和动作预测是同一个前向过程的两路输出，不是先规划、再执行的两套系统。

先想一遍未来，再决定手往哪放

这和主流的视觉语言动作模型不太一样。后者更像熟练工：看到相似场景，凭经验直接给动作，快，但材质、遮挡、堆叠一变，就容易给出「看着合理、物理上危险」的解。世界动作模型的思路更接近工程师：先预测后果，再挑动作，那层推演可以被检查、被反驳，不只是黑箱输出。

这个差别在任务失败时特别明显：纯策略模型出错，你很难分清它是没看清、没想明白，还是手抖了；而把未来画面一起预测出来的模型，至少能让你看到它「以为会发生什么」。对世界动作模型来说，画面好看不是目的，预测出来的未来能不能被动作读懂，才是关键。

三个部件：视频主干、动作专家、每台机器人的薄投影层

拆开看，世界动作模型的骨架并不复杂。视频主干是 269 亿参数的混合专家扩散 Transformer，20 个前馈层里有 17 层是专家层，每层 1 个共享专家加 128 个路由专家，每个 token 选 8 个，算力约等于一层稠密网络，参数容量却大得多。任一时刻真正参与计算的只有约 28 亿参数，这也是它能单卡跑起来的原因。

主干跑在冻结的 Wan2.2 变分自编码器潜空间里，指令由同样冻结的 Qwen3.5-2B 文本编码器读取。动作部分另起炉灶：一个 16 层、宽 1024、约 3.14 亿参数的稠密 Transformer，用交叉注意力读主干的 8 个编码器层，一边读一边输出动作。它读的不是当前帧，而是主干正在想象的那几帧未来，这个选择基本决定了模型的性质。

第三部分是每台机器人各自的输入输出投影层，参数量很小，负责把不同本体的位姿和动作翻译成统一格式。主干和动作专家在机器人之间共享，换一台机器只需要换这几张薄薄的投影，这也是「一个检查点适配多种本体」在工程上成立的前提。

一次调用只算 1.6 秒

推理时，机器人送来相机画面和当前位姿，一个世界动作模型返回一段未来视频潜变量，以及 24 行动作——15 赫兹下正好 1.6 秒。机器人把这一整块执行完，再发下一次请求。单张数据中心卡上默认一次往返约 0.5 秒，开启实时分块模式后可以压到 0.12 秒左右，代价是预测精度略有妥协。

体积上，bf16 权重 54.4GB，一张 80GB 显卡能装下；用 NVFP4 量化后降到 17.5GB，一张 RTX 5090 就能跑。从数据中心卡到工作站卡，再到机器人身上的 Jetson Thor，官方适配清单覆盖了整个算力梯度，这决定了这套东西能不能被小团队真正用起来。

二、它和普通视频生成模型的区别在哪

很多人第一反应是：不就是把视频模型接了个机械臂吗？区别不在输出形式，而在建模对象和评价标准。世界动作模型和视频生成模型的分野，恰恰在这里。

从「像不像」变成「做了会怎样」

普通视频生成模型学的是给定提示词或首帧，下一段画面最可能长什么样，本质是条件分布采样器。世界动作模型学的是：在当前状态下，如果我执行这个动作，未来会变成什么样。数学上只多了一个动作条件，工程上却多了一整类反事实问题——同一个杯子，用不同角度、不同力度去推，结果必须合理地分叉。

这就带来了评价标准的迁移。视频模型看视觉连贯、风格一致；世界动作模型要看预测是否随动作正确变化、物体身份是否保持、接触与受力是否合理、能不能支撑闭环。学界反复提醒：视觉上可信的未来，不等于动作可读的未来。一个能生成漂亮厨房视频的模型，完全可能不知道抽屉拉开需要多大力。

判断一个模型是不是真的世界动作模型，要看它有没有把预测嵌进策略回路，而不是只看它能不能出片。Runway 把视频损失和动作损失等权相加、联合训练，从始至终没把视频预测拿掉，这是它和「视频模型加个动作头」最实质的分界。

视频预训练凭什么能迁移到机械臂

逻辑很直白：看过海量视频的模型，早就学会了物体不会凭空消失、杯子被推会滚、液体倾倒受重力、人手接近物体有固定套路。这些先验在机器人数据里要花极大代价采集，在互联网视频里却是免费的副产品。世界动作模型的底子就是这份物理直觉，机器人微调则从「从零学物理」变成「把常识对准自己身体」。

Praxis-1 的训练分四段：先在 12 类生成任务上做通用视频预训练，片段最长 20 秒；再切到块级因果注意力，用 58% 第一视角人类视频、20% 通用视频、18% 真实机器人视频做具身中期训练；然后接上全新动作专家，做视频与动作联合中期训练；最后针对具体机器人微调。DROID 的 Franka 机械臂那一步，用了约 277 小时成功片段、5 万步优化、128 张高端计算卡。

更有说服力的是缩放曲线。中期训练的算力越大，下游微调越好用：在从未进入训练集的 RT-1 机器人上，最早检查点的成功率是 56.3%，最新检查点到了 80.0%。这条曲线说明视频预训练确实在给动作学习打底，这也是世界动作模型敢从视频起步的底气。

一个反直觉的结论：网上视频和遥操作视频差不多好使

Runway 公布过一组对照：用网络视频预训练的策略，微调后放置误差 16.1 厘米；用遥操作机器人视频预训练的，16.0 厘米。差距小于误差范围。如果这个结论站得住，具身智能最贵的那一环——真机遥操作数据采集——就不再是唯一解，世界动作模型的数据账本会被彻底改写。

但它需要打个折。这是厂商自己发布的早期结果，公开材料里没有完整对照表；而且「看懂一个动作」和「用这副身体做出这个动作」之间，隔着关节限位、控制频率、末端受力、触觉反馈这些视频里没有的信息。视频能解决常识，不能解决本体，真机微调短期谁也省不掉，这也划出了世界动作模型当前的能力上限。

三、登顶的是哪个榜，46.2% 该怎么读

「登顶权威榜单」这句话，需要拆成两半看：登的是哪个榜，以及在这个榜上排第几。世界动作模型这个词被反复提起，但具体名次要落到数字上。

RoboLab-120 与那张成绩单

榜单由英伟达维护，叫 RoboLab-120，120 个桌面操作任务，每个任务跑 10 次，合计 1200 个回合。在 DROID 上微调的 Praxis-1 完成了 555 个，成功率 46.2%，在世界动作模型和开放权重机器人基础模型这两个类别里排第一。

同类的比分是：FLUX 3 Action 42.9%，Cosmos3 Nano 36.8%，π0.5 28.0%。领先第二名 3.3 个百分点，不算碾压，但在强手云集的榜上足以说明这条路走得通。Runway 还宣称它超过所有开放权重的视觉语言动作模型，这句没法完全核实——榜上有个叫 BiMind v0.5 的视觉语言动作模型是 49.2%，比它高，但榜单没标注该模型权重是否公开。

总榜第五，这句话不能省

同一张榜上排最前面的不是这类模型：一个语言模型智能体方案 86.0%，一个视觉语言动作模型 49.2%，Praxis-1 总榜第五。厂商宣传里的「第一」，限定语是「世界动作模型类别」和「开放模型」，不是「所有机器人策略」。把限定语去掉，就成了另一回事。

还有一层：榜单标注了部分条目在训练中用了仿真数据，Praxis-1 没有被标注；同一张表上英伟达自家的 GR00T N1.6 只有 7.2%。这个数字不该当成技术差距的证据，因为训练配方、评测设置、是否用仿真数据都不统一，跨条目比较本就不可靠。榜单是参考，不是判决书。

真要判断含金量，还得看真机。Runway 在 Franka FR3 上做了 10 项任务、100 次测试，成功 88 次，对比基线 FLUX 3 Action 是 80 次。在训练中完全没出现过的 RT-1 机器人上微调后，SimplerEnv 成功率 80.0%，而原始 RT-1 策略是 52.4%。跨本体这条，数据是站得住的。

真机、跨本体，以及一张横向对比表

早期合作方覆盖了三种形态：Noble Machines 的腿式人形、Standard Bots 的六轴工业臂、Ultra 的双臂仓储机器人，同一个检查点只做轻量微调就能适配，这也是世界动作模型最被看重的跨本体能力。机器人业务负责人 Andy Chen 举过一个不修饰的例子：半小时示范学会一个任务，15 次全对；换成一堆没见过的乱木板，10 次里成功 6 次。六成，比宣传片诚实，也说明离车间还差得远。

把许可和路线放在一张表里，同类世界动作模型之间的差别会更清楚。

模型	参数规模	许可协议	数据侧重	适合谁
Praxis-1（Runway）	27.2B，混合专家，单 token 约 2.8B 激活	Apache 2.0，权重与代码均可商用	通用视频预训练，加具身视频与真机微调	想自己改模型、做跨本体适配的团队
π0.5（Physical Intelligence）	未公开	Apache 2.0，开放仓库	大规模真机轨迹为主	学术复现与轻量真机实验
Isaac GR00T N1.7（英伟达）	3B	代码 Apache 2.0，权重走开放模型许可	第一视角人类视频加仿真	已在用英伟达工具链的厂商
UnifoLM-WLA-1.0（宇树）	约 6B	Apache 2.0，完整检查点尚未全放	自采机器人数据	宇树本体用户
FLUX 3 Action（Black Forest Labs）	未公开	以官方发布为准	未详细披露	关注生成式动作路线的研究者
Cosmos3 Nano（英伟达）	系列中的小尺寸档	开放权重，附平台条款	仿真与合成数据占比高	需要仿真环境配套的团队

表格里最值得看的一列不是参数，是许可。同样是「开源」，有的放权重不放代码，有的代码宽松、权重另附条款，有的干脆只开放非商用版本。Praxis-1 是少数把权重和代码一起放在最宽松协议下的前沿模型，这一点的意义，比 46.2% 更长远。

四、Apache 2.0 这三个字，到底值多少钱

Apache 2.0 不是「随便用」的同义词，它有明确条款：可以商用，可以修改，可以再分发，不需要公开自己的改动，还附带专利授权。对机器人公司来说，最后一条尤其重要——把世界动作模型塞进自家产品，不用被迫开源自己的控制栈，也不用担心专利反诉。

能商用、能改、能再分发

对比一下就清楚：英伟达的开放模型许可允许商用，但带使用限制，移除安全护栏或起诉对方时权利终止；有些模型用非商用协议，企业拿去做产品是违规的；还有不少「开放」只给权重，微调代码留在手里。世界动作模型的开源尺度差异就在这三层，Apache 2.0 把三层全打开，法务审核路径最短。

对硬件厂的意义在于自主权。以前选一个闭源模型，等于选一个供应商，模型升级、价格调整、服务下线都不由自己；现在权重在本地，哪怕厂商明天改策略，产线也不会停。这是采购逻辑上的实质变化，不是情怀。

三个检查点，一张 5090 就能跑

这次放出来的不是一个文件，而是三套：中间训练阶段的基础模型、DROID 单臂微调版、YAM 双臂微调版，外加仿真评测环境和全量微调、LoRA 微调脚本。权重在 Hugging Face，原生支持 LeRobot 数据格式，推理可走 vLLM-Omni 或官方托管服务。

LoRA 是关键的降门槛设计。全量微调 27B 模型，小实验室根本烧不起；LoRA 只训练少量适配参数，就能把模型对准自己的机器人、相机位置和任务。配合 NVFP4 量化后的 17.5GB 体积，一张消费级旗舰卡就能完成适配实验。这把「试试物理智能」的成本从几十万美元压到了几千美元，世界动作模型的落地门槛也随之下移。

开放不是慈善，是抢定义权

Runway 说这是当初就承诺过的开放发布，理由是美国在物理智能上需要开放和互操作。话没错，但商业逻辑同样清楚：权重免费，服务收费。模型人人可下，真正难的是数据管线、评测体系、托管推理和工程支持，这些才是能持续收钱的地方。

更长远的一层是标准。当一支团队的微调脚本、数据格式、部署工具链都围绕某个世界动作模型长出来，切换成本就会指数上升。开放权重看起来是让利，实际上是在别人的研发流程里占据默认位置。这和当年深度学习框架的打法一模一样：框架免费，生态归我。

五、一家视频公司，为什么要造机器人大脑

这个转向不是临时起意。Runway 2018 年由三位纽约大学同学创办，2023 年做出最早一批公开可用的视频生成模型。但从 2025 年底的 GWM-1 开始，它的研究叙事就变了：不再讲生成多好看的画面，而讲模拟世界如何运转。

从 Gen 到世界模型，路线早就铺好了

2025 年 12 月的 GWM-1 分成环境模拟、机器人、数字人三个变体；2026 年 2 月，团队展示了在世界模型里评估机器人策略，模拟评分与真机结果的相关系数达到 0.95；9 月的 GWM Worlds 2 把高保真视频和音频做成了可实时交互的模拟。

这条线上的每一步，都在回答同一个问题：模型能不能预测「如果我这么做，世界会怎样」。机器人只是这个问题最硬的一种考法，因为答案要用真实的力、真实的接触去验证。所以 Praxis-1 不是跨界，而是同一条研究路线走到物理世界的必然一站，世界动作模型只是这一站的名字。

53 亿美元估值之后，需要第二增长曲线

2026 年 2 月，Runway 完成 3.15 亿美元 E 轮，估值 53 亿美元，由 General Atlantic 领投，英伟达、Adobe、AMD 的产业基金跟投，累计融资超过 8.6 亿美元。钱要花在预训练下一代世界模型上，而视频生成的主业正在被价格战拖薄利润。

机器人是更长周期、更高壁垒的生意。它卖的不是订阅，而是基础设施；一旦成为某条产线的底座，替换成本极高。对一家需要向投资人证明「不只做滤镜」的公司来说，把世界动作模型做成基础设施，是叙事上最顺、技术上复用价值最高的方向。

与英伟达的关系：既是盟友也是同行

Runway 是 Cosmos 开放联盟的创始成员，联盟的第一个项目就是与英伟达联合开发基础模型。但同一张 RoboLab 榜单上，英伟达自己的模型也在参赛。这种关系在 AI 基础设施层很常见：芯片厂需要有人把生态撑起来，模型公司需要算力和渠道，合作与竞争同时成立。

对开发者而言，这种格局其实是好事。两家都在往开放权重上押注，模型能力会快速外溢，真正的分水岭会从「谁有模型」变成「谁有场景和数据」。对中国团队来说，这类模型意味着可以在别人的物理常识之上，专攻自己的本体和工况。

六、常见问题

Praxis-1 可以免费商用吗？

可以。权重和推理、微调代码都以 Apache 2.0 发布，允许商用、修改和再分发，不需要支付授权费，也不需要公开自己对模型的改动。要注意的是，它提供的是版权和专利许可，不提供任何质量担保，产品出问题的责任在部署方。

270 亿参数的模型，普通团队跑得动吗？

推理门槛不高。bf16 权重 54.4GB，一张 80GB 显卡即可；用 NVFP4 量化后 17.5GB，RTX 5090 级别的工作站卡就能跑。真正吃资源的是全量微调，官方示例用了 128 张高端计算卡。多数团队应该走 LoRA 路线，只训练少量适配参数。

它和 π0.5、GR00T 这类模型有什么本质不同？

主流方案是视觉语言动作模型，把看到的画面和指令直接映射成动作；Praxis-1 属于世界动作模型，先预测动作会带来的未来画面，再从这个预测里读出动作。前者快、工程简单，后者多一层可检验的推演，在接触密集、物体外观相似的场景里更有优势。

46.2% 的成功率，是不是太低了？

放在这个榜单上不低，放在工厂里很低。120 个桌面任务各跑 10 次，任务难度和失败惩罚都比产线宽松；46.2% 意味着失败的回合比成功的多。它能证明路线可行，不能证明可以无人值守。真要上产线，还得靠场景收敛和大量真机数据把成功率推到 95% 以上。

没有机器人，也能用这个模型做研究吗？

能。发布包里带了仿真评测环境和 RoboLab-120 的评测权重，可以在仿真里复现榜单结果、做消融实验。对高校实验室来说，这比从零搭一套具身训练管线划算得多。想验证 sim-to-real，还是得有真机，但前期探索完全可以先在仿真里完成。

视频预训练会取代遥操作数据采集吗？

短期不会，长期会改变分工。视频提供的是物理常识和任务先验，遥操作提供的是本体相关的动作细节，两者解决的不是同一个问题。比较现实的路径是：用视频把底座训好，用少量真机数据做对齐，再用世界模型生成合成数据补长尾。采集不会消失，但会变少、变精准。

这套模型最适合什么场景，不适合什么？

适合抓取、放置、装箱、开关抽屉这类接触相对可控、任务边界清晰的操作，也适合需要快速适配多种本体的硬件厂。不适合长链条、多步骤、强依赖模糊语义的任务——官方自己列出的短板就包括外观相似物体容易抓错、指令含糊时完成度下降、单条长指令做多步任务吃力。

接下来这个方向会往哪走？

三个方向比较确定：一是长时序规划，把复杂任务拆成可执行的短指令；二是用预测结果反过来评估和改进自己的动作，形成闭环；三是继续压缩模型，让它真的跑在机器人本体的边缘芯片上。开放权重之后，这三件事会有更多人一起做，进度大概率比闭源快。