İçeriğe geç
Pazar, 15 Kasım 2026Yapay zekâ · sade Türkçe · denenmiş@yapaytu
YAPAYTU

Runway, robot modeli Praxis-1'in kodunu ve ağırlıklarını açtı

Runway, Praxis-1 robot modelinin kodunu ve ağırlıklarını açtı. Video eğitimiyle hareket üreten model, geliştiricilere uyarlama imkânı sunuyor; sınırları da var.

Yapay TU Editör · 4 dk okuma
Runway, Praxis-1'i geliştiricilere açtı
Kısa cevap

Runway, 14 Kasım 2026 itibarıyla Praxis-1 robot modelinin ağırlıklarını ve kodunu Apache 2.0 lisansıyla erişime açtı. Video ve robot hareketlerini birlikte tahmin eden model, geliştiricilerin kendi robotlarına ek eğitimle uyarlayabileceği bir temel sunuyor.

Runway, videolardan öğrendiği hareket bilgisini robot kontrolüne taşıyan Praxis-1'in kodunu ve model ağırlıklarını erişime açtı. Eylülde tanıtılan ve önce iş ortaklarının donanımlarında kullanılan model, 14 Kasım 2026 itibarıyla robotik geliştiricilerinin ve araştırmacıların kullanımına sunulmuş durumda. Yeni erişim, kendi robotuna model uyarlamak isteyen ekipleri ilgilendiriyor; Runway'in raporu, uzun görevleri tek komutla yürütme konusunda hâlâ sınırlamalar bulunduğunu da gösteriyor.

Praxis-1 robotu nasıl kontrol ediyor?

Runway'in Kasım 2026 tarihli araştırma raporuna göre Praxis-1, bir sahnenin sonraki görüntülerini ve bu görüntülere karşılık gelen robot hareketlerini birlikte tahmin ediyor. Model, yazılı talimatla birlikte kameralardan gelen görüntüleri ve robotun o anki konumunu alıyor. Robot hesaplanan hareketi yaptıktan sonra yeni görüntüler sisteme dönüyor ve sıradaki hareket hesaplanıyor.

Runway bu yaklaşımı World Action Model, yani dünya ve eylem modeli olarak adlandırıyor. Video modelinin içinde oluşan bilgiyi okuyan ayrı bir hareket bileşeni, robotun ne yapacağını belirliyor. Örneğin rapordaki gösterimlerde robot beyaz bir kupayı tepsiye ters yerleştiriyor ya da bir nesneyi kutuya koyup kapağı kapatıyor.

Sistem varsayılan çalışmada 1,6 saniyelik hareket parçaları üretiyor. Bu parçalar tamamlandıkça kameradan gelen yeni bilgiyle devam ediyor. Raporda tek bir H100 üzerinde bir çağrının yaklaşık 0,55-0,6 saniye sürdüğü belirtiliyor. Bu süre, rapordaki donanım ve çalıştırma düzenine ait; farklı bir bilgisayarda aynı hızı beklemek için ölçüm yapmak gerekiyor.

Testlerde hangi sonuçları aldı?

Runway, RoboLab-120 simülasyon testinde Praxis-1 için yüzde 46,2 başarı bildirdi. Test, masa üzerindeki 120 görevin her birini 10 kez deniyor; Praxis-1 toplam 1.200 denemenin 555'ini tamamladı. Aynı karşılaştırmada FLUX 3 Action'ın başarı oranı yüzde 42,9 olarak veriliyor.

Bu sonuç, Praxis-1'i rapordaki dünya ve eylem modelleri arasında ilk sıraya yerleştiriyor. Genel sıralamada ise Praxis-1'in üzerinde dört sistem bulunuyor. Runway'in duyurusundaki kategori liderliği, bütün robotik sistemleri kapsayan bir üstünlük anlamına gelmiyor.

Gerçek robot deneyi ayrı yürütüldü. Positronic'in işlettiği Franka FR3 kolunda 2 Kasım'da yapılan testlerde, 10 görev için toplam 100 deneme gerçekleştirildi. Praxis-1 bunların 88'inde, FLUX 3 Action ise 80'inde başarılı oldu. Görevler arasında bir muzu tabağa koymak ve çekmece kapatmak var. Simülasyondaki yüzde 46,2 ile gerçek koldaki yüzde 88 farklı görev kümelerini ölçüyor; iki oranı doğrudan karşılaştırarak ortamın etkisi hakkında hüküm veremeyiz.

Runway'in yayımladığı bu deneylerdeki görev listesi, kendi robotun için hazırlayacağın testin kapsamını karşılaştırmana yardımcı olabilir.

Geliştiriciler nasıl erişebilir?

Runway, resmi duyurusunda ağırlıkları Hugging Face üzerinden, kodu ise GitHub üzerinden sunduğunu belirtiyor. Apache 2.0 kapsamındaki paylaşım, modelin çalıştırılmasını ve ek eğitimini sağlayan kodu da içeriyor. LeRobot desteği ve vLLM-Omni entegrasyonu duyuruda yer alıyor.

Kendi donanımına uyarlamak isteyen geliştirici, modelin tamamına ek eğitim uygulayabiliyor. LoRA adlı, modelin tamamını yeniden eğitmeden uyarlama yapmayı sağlayan yöntem de destekleniyor. Bununla birlikte robot verisine ihtiyaç sürüyor: Runway, Franka uyarlamasında DROID veri kümesinden yaklaşık 277 saatlik başarılı robot kaydı kullandığını yazıyor.

Rapora göre standart model 80 GB belleğe sahip tek bir grafik işlemcide çalışıyor. Duyuru RTX 5090 dahil farklı NVIDIA donanımlarını da listeliyor; hangi model sürümünün ve ayarın kullanılacağını seçerken resmi depodaki gereksinimleri kontrol etmelisin. Model ağırlıklarına erişmekle robotu çalışır hale getirmek arasındaki farkı anlamak için açık kaynak yapay zekâ rehberimiz de yararlı olabilir.

Bizim yorumumuz: Önce tek bir görevi ölç

Bizce Praxis-1'in geliştiriciler açısından en yararlı tarafı, video eğitimiyle edinilen bilginin belirli bir robot görevinde nasıl işe yaradığını inceleme fırsatı vermesi. Kod ve ağırlıkların paylaşılması, bir üniversite ekibinin ya da robotik girişiminin kendi düzeninde deneme yapabilmesini sağlıyor. Ancak ek eğitimde kullanılan yüzlerce saatlik robot kaydı, projeye ayıracağın emeği hesaplarken gözden kaçmamalı.

Türkiye'de robot koluyla çalışan bir öğrenci ekibi için başlangıç hedefini dar tutmak mantıklı. Örneğin tek bir nesneyi belirli bir kaba taşıma görevini seçip başarı ölçütünü önceden yazabilirsin. Aynı görevi benzer görünümlü nesnelerle tekrarlamak da anlamlı olur; Runway, modelin hedefe benzeyen nesnelere uzanmasını gerçek robot deneylerindeki en sık hata olarak bildiriyor. Başarısız denemeleri kayda dahil etmek, gösterim videosundan daha kullanışlı bir değerlendirme sağlar.

Bir küçük işletmenin bu duyuruya dayanarak doğrudan depo otomasyonu planlamasını erken buluyoruz. Araştırma raporunda, birden fazla adımı tek talimattan yürütmenin zor olduğu açıkça yazıyor. İşletmendeki görev böyle bir zincir içeriyorsa, ara adımların nasıl verileceğini ve hatadan sonra sürecin nasıl durdurulacağını önce tasarlamalısın.

Türkiye'den erişime özel koşullar ve Türkçe komut desteği açıklanmadı. Türkçe bir arayüz düşünüyorsan, komutların başarı oranını ayrıca ölç; İngilizce örneklerden Türkçe performansı çıkarma. Aşağıdaki kayıt şablonu, ilk denemenin kapsamını belirlemek için kullanılabilir:

text
Görev:
Robot ve model sürümü:
Komut dili ve tam komut:
Başarı ölçütü:
Toplam deneme ve başarılı deneme:
Yanlış nesneye uzanma veya yarım kalan adım:

İlk denemeden önce kullanacağın robot için yayımlanmış model sürümünü ve kamera düzenini depodan kontrol et; ardından aynı komutla tekrarlanan denemelerin sonuçlarını bu kayda işle.

Bu yazı sponsorlu değildir.

Sık sorulanlar

Runway Praxis-1 ne işe yarıyor?

Praxis-1, kamera görüntülerini, yazılı talimatı ve robotun konum bilgisini kullanarak gelecek görüntüleri ve robot hareketlerini birlikte tahmin ediyor. Nesne taşıma ve çekmece kapatma gibi görevlerde kullanılıyor.

Praxis-1 nereden indirilebilir?

Model ağırlıkları Hugging Face'te, kod GitHub'da bulunuyor. Runway, ağırlıkları ve çalıştırma ile ek eğitim kodunu ticari kullanıma da izin veren Apache 2.0 lisansıyla sunuyor.

Praxis-1 Türkçe komutları destekliyor mu?

Runway'in duyurusunda ve araştırma raporunda Türkçe komut desteği açıklanmadı. Türkiye'ye özel erişim koşulları da belirtilmedi.

#runway#praxis-1#robotik#acik-kaynak
E-bülten

Haftada bir e-posta. Sadece işe yarayanlar.

Haftanın en iyi yapay zekâ araçları ve yeni rehberler. İstediğin an tek tıkla çık.

Adresine bir onay e-postası gelir. Aydınlatma metni
Sıradaki yazı NVIDIA, Flora ile robot videolarını etiketlemeyi açıyor

Bunları da okuyun