Runwayの「Praxis-1」とは？動画事前学習からロボット制御へ、27Bの世界行動モデル

Praxis-1（プラクシス・ワン）は、Runwayが2026年11月11日に公開した世界行動モデル（World Action Model）で、大規模な動画事前学習を実機ロボットの制御に転用し、映像予測と行動生成を同時に行えるのが特徴です。

室谷代表取締役

Runwayがロボット向けのモデルを出してきましたね。しかもオープンウェイト。

これは動画生成の会社の話だと思っていたら、いつの間にかフィジカルAIの土俵に上がっていた、という話なんですよね。

テキトー教師DotAI 認定講師

そうなんですよ。しかも単に「ロボット用モデルを出しました」という話じゃないんです。

動画を予測する力がそのままロボットの動きの理解につながる、という設計思想そのものが発表の中心なんです。

Praxis-1とは？Runwayが公開した世界行動モデルをざっくり解説

室谷代表取締役

まず基本情報を整理しておくと、Praxis-1は27BパラメータのMoE（専門家混合）拡散トランスフォーマーで、映像と行動を一緒に予測するモデルです。Runwayは9月に最初の世界行動モデルとしてPraxis-1を紹介していて、今回それを誰でも使える形で公開した、という流れになります。

テキトー教師DotAI 認定講師

ここで「世界行動モデル」という言葉を丁寧に見ておきたいんです。従来のVLA（Vision-Language-Action）モデルは、視覚と言語から直接行動を出力する。

一方の世界行動モデルは、内部で「次に映像がどうなるか」を予測しながら、その予測に沿った行動を導く。この違いがかなり本質的です。

室谷代表取締役

なるほど。映像の続きを想像してから動く、という順番なんですね。

人間も目で先の展開を見越して手を動かしますから、理にかなっている気がします。

テキトー教師DotAI 認定講師

構成も面白いんですよ。映像バックボーンが26.9Bパラメータで、そのうち実際に活性化するのは約2.8B。

そこに314Mの小型アクションエキスパートが付く。バックボーンは共有で、ロボットごとに薄い入出力の投影層だけを持たせる。

だから1つのモデルで複数の機体を動かせるわけです。

室谷代表取締役

機体ごとに全部作り直さなくていい、という設計は実務者からするとありがたいですよね。MYUUUでも複数ツールを横断して使うことが多いので、共通部分と個別部分を分ける発想はすごく分かります。

テキトー教師DotAI 認定講師

推論は1回で1.6秒分、24行の動作を映像予測とセットで返す。ロボットはその塊を実行して、カメラで見たものを送り返して、また呼ぶ。

このチャンク単位のループが基本動作になります。

Praxis-1でできること——映像予測と行動生成を同時に行う仕組み

室谷代表取締役

実際に何ができるのか、具体例が公式に出ていますよね。両腕のYAMロボットと単腕のFrankaを動かして、マグカップを逆さにしてトレイに置く、箱に物を入れて蓋を閉める、瓶をゴミ箱に片付けて引き出しを閉める、といった接触と協調が必要な日常タスクをこなす。

テキトー教師DotAI 認定講師

ポイントは「接触と協調」なんですよ。物を掴むだけならまだしも、蓋を閉める、引き出しを閉めるというのは、対象に触れて状態を変える動作です。

映像予測が内部にあるからこそ、触った後にどうなるかの見通しを持てる。ここが単なる模倣との差になっています。

室谷代表取締役

入力も整理されていて、指示文と最新のカメラ画像、ロボットの現在姿勢を渡すと、未来の映像チャンクと1.6秒分の行動が返ってくる。カメラは外部カメラと手首カメラを並べて1枚のキャンバスにする。

15fpsで24行、最初の呼び出しだけ21行になるのは、最初の潜在フレームが現在フレームしかカバーしないから、という細かい仕様まで書かれています。

テキトー教師DotAI 認定講師

単腕のDROID Frankaなら10次元（xyz、6次元回転、グリッパー）、両腕のYAMなら20次元、人間の手の一人称映像なら21関節の3D姿勢。行動の次元は機体ごとに定義されていて、位置と回転はチャンク開始時点からの相対値で扱う。

この辺りは実際にファインチューニングする人が必ず読む部分ですね。

室谷代表取締役

映像側の設計も凝っていて、凍結されているのはWan2.2 VAEとQwen3.5-2Bテキストエンコーダの2つ。映像バックボーンは20層のうち17層がMoEで、各トークンは128の routed expert から8個を選ぶ。

共有エキスパートと合わせて9個を通るけど、計算量は密な1層分に収まる。パラメータは129個分を保持しながら、計算は軽い。

この設計、動画生成モデルの規模をそのまま制御に持ち込むための工夫なんですよね。

テキトー教師DotAI 認定講師

学習も4段階に分かれていて、映像事前学習、身体性映像のミッドトレーニング、映像と行動のジョイント・ミッドトレーニング、機体別ファインチューニング。行動を導入した後も映像予測は目的関数に残り続ける。

ここが「動画を捨てずに使う」というRunwayらしさです。

Praxis-1の使い方・始め方——GitHub・Hugging Face・vLLM-Omniでの提供形態

室谷代表取締役

で、どうやって使うのかという話ですよね。公式によるとGitHubでコード、Hugging Faceで重みが公開されていて、Hugging FaceはLeRobotにネイティブ対応。

さらにvLLM-Omniでも使えて、Reactor上でホスト推論も用意されている。

テキトー教師DotAI 認定講師

配布物は重みと推論・ファインチューニングのコードで、フルファインチューニングとLoRAの両方に対応しています。LoRAを使えばモデル全体を再学習せずに、自分の機体やカメラ、タスクに適応させられる。

これが実務では大きいです。

室谷代表取締役

ハードウェア対応も広くて、データセンター向けのH100やB200から、ワークステーション向けのRTX 5090やRTX PRO 6000、ロボット搭載のJetson Thorまで動く。モデルサイズは合計27.2Bパラメータ、bf16で54.4GBで、80GBのGPU1枚で動くという記載があります。

テキトー教師DotAI 認定講師

推論速度も見ておきたいですね。H100サーバー1台で、デフォルトのチャンク実行だと往復約0.55〜0.6秒。

返す動作が1.6秒分ですから、動作時間のおよそ3分の1で次の指示を返せている計算です。

室谷代表取締役

リアルタイム・チャンキング（RTC）という試みも書かれていて、チャンクの途中で次のチャンクを要求して動き続ける方式。ただ、旧プランと新プランをブレンドすると腕が振動した、という正直な記述もあって、そこは研究の生々しさを感じます。

テキトー教師DotAI 認定講師

ドメイン特化の追加学習にはNeMo Automodelのチュートリアルが案内されていて、配備を検討するならロボティクスチームに問い合わせる流れです。まず触るならHugging Faceから重みを落として、LeRobot経由で動かすのが最短ルートになります。

Praxis-1の料金・提供範囲——商用利用できる？日本から使える？

室谷代表取締役

ここは皆さんが一番気にするところだと思うので、はっきり言っておきます。Praxis-1の重みと推論・ファインチューニングのコードはApache 2.0ライセンスで公開されていて、商用利用も含めて自由に改変・再配布できる。

つまりモデル自体に利用料金はかからない、という建て付けです。

テキトー教師DotAI 認定講師

ライセンス名は正確に押さえたいところで、Apache 2.0です。研究用途だけに絞った制限ではなく、商用利用を含む形で公開されている、というのがRunwayの明言なんですよ。

室谷代表取締役

一方で、ホスト推論のReactorや、企業向けの配備相談など、マネージドに使う場合の料金体系は今回の資料には書かれていません。現時点では明らかにされていません、としか言えない部分です。

テキトー教師DotAI 認定講師

日本から使えるかという点も、公式資料に地域制限の記載は見当たりません。だから「日本から利用可能」と断定するのは避けたい。

ライセンス上はオープンウェイトなので、地域制限についての記載がない、という事実までを正確に伝えるのが誠実です。

室谷代表取締役

あと見落としがちなのが、動かすための計算資源は自前で用意する必要があるという点。80GB GPU1枚が最小構成として示されているので、そこはコストとして認識しておくべきですね。

クラウドGPUを時間借りするのか、RTX 5090のようなワークステーションを買うのかで話が変わってきます。

テキトー教師DotAI 認定講師

Runwayの製品全体の料金体系については、Runway AIとは？料金プランとGen-4.5の使い方、日本語対応まで解説で整理しています。ただPraxis-1はロボティクス向けの研究公開で、クリエイティブ向けプランとは別の文脈なので、そこは混同しないようにしたいですね。

RoboLab-120で首位——既存VLAや競合モデルとの性能比較

室谷代表取締役

性能の話に行きましょう。NVIDIAのRoboLab-120リーダーボードでPraxis-1は1位。

成功率46.2%で、1,200エピソードでの数字です。

テキトー教師DotAI 認定講師

並びも見ておくと、FLUX 3 Actionが42.9%、Atomic-WAMが39.6%、OASIS WAMが39.0%、Cosmos3 Nanoが36.8%、π0.5が28.0%、DreamZeroが25.7%、GR00T N1.6が7.3%。Praxis-1は世界行動モデルの中でも、オープンソースのロボット基盤モデル全体の中でも首位、と公式は位置づけています。

室谷代表取締役

数字だけ見ると46.2%は半分以下に見えるかもしれないけど、この手のタスク成功率は絶対値よりも相対比較が大事で、2位以下を明確に引き離していることに意味がありますよね。

テキトー教師DotAI 認定講師

しかも注目すべきは、学習で一度も見ていない機体への適応です。GoogleのRT-1にファインチューニングすると、SimplerEnvで80.0%。

元のRT-1ポリシーは52.4%なので、見知らぬ機体でも大きく上回る。これは「汎用の事前学習が効く」ことの証拠として分かりやすいです。

室谷代表取締役

少データ適応も示されていて、30分未満のテレオペのデモで、Noble Machinesの機体のシミュレーション15試行すべてに成功した、と。これは現場で効いてくる話ですよ。

デモ30分って、現場で言えばほぼゼロに近い立ち上げコストですから。

テキトー教師DotAI 認定講師

さらに速度とコストの比較も衝撃的で、同じステーションと同じタスクで、GPT-6 Astraがアームを動かす場合より15.6倍速く、タスク完了あたりのコストは51分の1だったと。フロンティアLLMをロボット制御に使うアプローチとの差が数字で出ています。

室谷代表取締役

これは「汎用LLMをそのままロボットに載せる」路線への強烈なカウンターですよね。汎用モデルは賢いけど、実機制御のレイテンシとコストの壁がある。

専用設計の世界行動モデルがそこを突き崩す、という構図が見えます。

テキトー教師DotAI 認定講師

ただし公平に見ると、公式も限界を書いていて、リアルなFrankaタスクでは既存の最先端ポリシーモデルに対して競争力のある成功率、という表現に留めています。リーダーボードで圧勝だからといって、あらゆる実機タスクで最強という主張ではない。

ここは正確に読みたいところです。

室谷代表取締役

ミッドトレーニングの計算量を増やすとファインチューニング後の性能が上がる、というスケーリングの検証も載っていて、DROIDでは25.5%、35.2%、39.2%、41.2%と伸びて5点目で頭打ち。RT-1では56.3%から80.0%まで上昇したものの、毎ステップきれいに上がるわけではない、と正直に書かれています。

テキトー教師DotAI 認定講師

この「きれいに上がらない」と認める姿勢は研究として誠実ですし、読む側も過度な期待をしすぎない方がいい。傾向はあるが正確な関係はさらなる検討が必要、というのが公式の立場です。

なぜ動画事前学習なのか——ロボットデータ不足を解くRunwayの狙い

室谷代表取締役

ここが今回の一番面白いところなんですよね。なんで動画なのか。

公式は「ロボットの実データは希少で、汎用ポリシーを学習できるだけ集めるのは高コスト」という課題を繰り返し挙げています。

テキトー教師DotAI 認定講師

それに対してRunwayの答えは、世の中にすでに大量にある一般映像が最もスケールするデータ源だ、というもの。映像を予測するように学習したモデルは、物体がどう振る舞うか、手がどう動くか、タスクの途中がどう見えるかを学ぶ。

その知識の上にロボットの制御を積む。

室谷代表取締役

これは発想の転換ですよね。ロボットデータを必死に集めるのではなく、すでに撮られている日常映像を学習資源に変える。

動画生成モデルを作ってきたRunwayだからこそ持てる強みが、そのままロボティクスに効くという。

テキトー教師DotAI 認定講師

公式はさらに踏み込んで、ウェブ動画がテレオペのロボット動画と同等の事前学習データとして機能する、という研究結果を示しています。つまりボトルネックは「ロボットデータをどれだけ集めたか」から「一般映像からどれだけ学べるか」に移る、と。

室谷代表取締役

だからこそオープンウェイトにした、という理屈も通っていて、ハードウェア開発者が自分の条件で実行し、検査し、適応できる柔軟性を目的に挙げている。アメリカのフィジカルAIにおける相互運用性と開放性の必要性も根拠にしています。

テキトー教師DotAI 認定講師

RunwayはCosmos Coalitionの創設メンバーで、NVIDIAと共にオープンな物理AIスタックを進める立場。今回の公開はその方針に沿った一手なんですよ。

ローンチパートナーにはNoble Machines、Standard Bots、Ultraがいて、脚付きヒューマノイド、6軸産業アーム、両腕倉庫ロボットで実際に動かしている。

室谷代表取締役

研究の数字だけでなく、パートナーの実機で回っているというのが説得力になりますね。動画生成の知見がロボット制御に転用できるなら、Runway Gen-3はもう使えない？提供終了の経緯と今使うべきモデル・料金で触れているようなモデル世代の入れ替わりも、ロボティクス側に波及していくかもしれません。

テキトー教師DotAI 認定講師

受講生さんからも「動画生成とロボットって別物では」という声が出そうですが、実は根っこの技術が同じなんですよね。映像の次を予測する力は、ロボットにとっての状況理解そのもの。

この接続を理解すると、生成AIの地図がだいぶ立体的に見えてきます。

室谷代表取締役

汎用LLMとの比較でいうと、ChatGPTとClaudeを徹底比較【2026年最新】：料金・性能・プログラミング・使い分けを完全解説のような話とは別レイヤーで、実機制御には専用設計が要る、という整理になるんでしょうね。

よくある質問

室谷代表取締役

最後に、よく聞かれる点をまとめておきましょう。

テキトー教師DotAI 認定講師

まず「Praxis-1は無料で使えるのか」という質問。モデルの重みとコードはApache 2.0で公開されていて、商用利用も可能です。

ただし動かすためのGPUなどの計算資源は自前で用意する必要があります。ホスト推論のReactorなどマネージド利用の料金は今回の資料には記載がなく、現時点では明らかにされていません。

室谷代表取締役

「日本から使えるのか」という点も聞かれますが、公式資料に地域制限の記載は見当たりません。ライセンス上はオープンウェイトで、地域制限についての記載がない、というのが正確なところです。

テキトー教師DotAI 認定講師

「どんなGPUで動くのか」については、H100やB200、RTX 5090、RTX PRO 6000、Jetson Thorに対応。合計27.2Bパラメータ、bf16で54.4GB、80GBのGPU1枚で動くという記載があります。

室谷代表取締役

「自分のロボットに載せられるのか」という質問には、LoRAでの適応が用意されていると答えられます。モデル全体を再学習せずに、自分の機体やカメラ、タスクに合わせられる。

30分未満のデモで15試行すべて成功した例も公式に示されています。

テキトー教師DotAI 認定講師

「VLAと何が違うのか」も定番の質問ですね。VLAは視覚と言語から直接行動を出すのに対し、Praxis-1は映像予測を内部で行いながら行動を導く世界行動モデル。

RoboLab-120ではπ0.5やGR00T N1.6といったVLAを上回ったと公式は述べています。

室谷代表取締役

「商用利用の条件は」については、Apache 2.0なので商用利用を含めて改変・再配布が可能、というのが公式の説明です。ただ実際の配備では自社ハードでの実行環境やサポート体制の検討も必要なので、配備を計画する場合は公式のロボティクスチームへの問い合わせが案内されています。

テキトー教師DotAI 認定講師

まとめると、Praxis-1は「動画を予測する力」をロボット制御に変える、という発想をオープンウェイトで誰でも試せる形にした発表なんですよ。数字の強さもさることながら、データ不足という業界共通の課題に対する答え方を示したことに意味があります。

室谷代表取締役

動画生成の会社がフィジカルAIの基盤を開放する。この流れは2026年の後半、かなり象徴的な動きになる気がします。

まずはHugging Faceから重みを落として、自分の環境で動かしてみる。そこからこの話は始まるんですよね。