AREX Feed Article
vLLM-Omni 宣布 Day-0 支持 Runway 机器人控制模型 Praxis-1：Apache 2.0 开放权重、单张 H100 80GB 完成验证
北京时间 2026 年 11 月 11 日晚间，开源推理框架 vLLM 的官方 X 账号 @vllm_project 宣布：vLLM-Omni 为 Runway（@runwayml）当天发布的机器人控制模型 Praxis-1 提供 Day-0 支持——也就是在模型开放当天即上线集成支持。帖文称，Praxis-1 把大规模视频预训练带入机器人控制，“从观察世界到在世界中行动”，以 Apache 2.0 许可证开放权重，并可跨不同机器人本体（embodiments）适配。
集成方面，帖文描述：vLLM-Omni 以相机观测、机器人状态和一条任务指令为输入，输出动作块（action chunks）；支持离线推理以及 OpenPI、Positronic 两种服务方式，并包含会话历史与重置处理；整套集成已在单张 NVIDIA H100 80GB 上完成验证（qualified）。帖文末尾感谢了 Runway 与 Inferact 两个团队。Runway 随后发出的也把 vLLM-Omni 与 GitHub、Hugging Face 并列为权重分发渠道，与之相互印证；至于 H100 验证及上述能力描述，目前公开的仍是 vLLM 一方的口径。
OpenPI 路由与会话重置：在线服务的具体形态
帖文描述的工作循环按控制步运转：客户端每一个控制步送入相机观测、机器人状态和一条自然语言任务指令，换回一组供其依次执行的动作（action chunk），而不是单个动作。这一流程与 vLLM-Omni 机器人配方文档对 π0 模型的描述一致：客户端通过 OpenPI WebSocket 按控制步发送观测、接收动作块（）。帖文称集成支持两种形态：离线推理，以及在线服务；后者又分 OpenPI 和 Positronic 两种方式。
会话历史与重置处理属于服务形态的一部分：机器人任务是一个有状态的过程，模型需要记住当前任务里已经做了什么，换任务或任务失败时要清空历史、从头再来。中已定义了机器人策略服务路由：客户端通过 WebSocket 路由 /v1/realtime/robot/openpi，以 MessagePack 编码发送观测，接收返回的动作数组。至于“单张卡验证”具体覆盖了哪些任务、跑了多久，帖文没有说明。
一个 27B 参数的 MoE 扩散 Transformer，靠看视频学会动手
结合 Runway 9 月 30 日发布的与 11 月 11 日的发布公告，可以拼出 Praxis-1 的构成与能力来源：它是一个 27B 参数的混合专家（MoE）扩散 Transformer，同时预测视频和动作——先通过大规模视频预训练学会物体怎么动、任务怎么展开，再经微调适配到具体机器人本体上输出动作。Runway 称其研究显示，通用网络视频作为预训练数据，效果与遥操作机器人视频相当，这类策略模型的能力上限也随之变成“能看多少通用视频”。
Runway 公布的性能数字均来自其官方发布：在 NVIDIA 的 RoboLab-120 排行榜上，Praxis-1 在 1,200 个测试回合中取得 46.2% 的成功率，Runway 称这使其位列世界动作模型（world action model）之首，高于 FLUX 3 Action 的 42.9%、Cosmos3 Nano 的 36.8% 和 π0.5 的 28.0%。跨本体适配也有具体数字：Runway 称，在从未出现在其训练数据中的 Google RT-1 机器人上微调后，Praxis-1 在 SimplerEnv 基准上达到 80.0% 成功率，高于原版 RT-1 策略的 52.4%；同一个检查点经轻量微调即可适配不同机器人本体，也可用 LoRA 适配自己的相机与任务，无需重训整个模型。
9 月 30 日许下的承诺，42 天后兑现；三家合作方的机器人已经跑过
9 月 30 日的介绍文章将 Praxis-1 定位为 Runway 的第一个世界动作模型，当时它还处于早期接入阶段：首批合作方 Noble Machines、Standard Bots 和 Ultra 已在自己的硬件上运行同一模型，分别对应一台腿足人形机器人、一台六轴工业机械臂和一台双臂仓储机器人。Runway 当时就承诺，公开发布时将带开放权重而非闭源模型，并称会在“接下来几个月内”公开发布。
11 月 11 日，承诺在 42 天后兑现。据发布公告，权重与推理、微调代码（同时支持全量微调和 LoRA）都以 Apache 2.0 许可证发布，明确允许商业使用；模型可直接运行在 NVIDIA 系硬件上，从 H100、B200 数据中心 GPU，到 RTX 5090、RTX PRO 6000 工作站 GPU，再到装在机器人身上的 Jetson Thor。渠道方面，GitHub 上的 仓库已经上线，Hugging Face 提供带原生 LeRobot 支持的权重，再加上 vLLM-Omni 集成与 Reactor 平台的托管推理。
为什么是 vLLM-Omni：为有状态的机器人循环而建的服务层
vLLM-Omni 在 10 月 7 日发布于 arXiv 的中，将自身定义为面向全模态（omni-modality）生成的统一服务运行时：语音、图像、视频、世界模型、机器人等不同阶段、不同执行模式的模型，被组织进同一个编排器（orchestrator）之下；其中面向会话的控制（session-oriented control）明确为长会话的世界模型与机器人负载而设计。机器人控制正是这样的负载——模型要跨控制步携带状态、与硬件持续交互，而不是一问一答的文本请求。
Praxis-1 的 Day-0 支持落在了一套预先搭好的基础设施上：技术报告已把面向机器人负载的 OpenPI API 列入支持的接口，文档中 /v1/realtime/robot/openpi 路由也已定义完毕。Positronic 则是另一个开源的 Python 机器人技术栈（），定位为覆盖数据采集、训练、推理到部署全流程的端到端工具包，兼容 LeRobot 与 OpenPI。
Reactor 的另一条 Day-0 宣布，与被致谢的两个团队
vLLM 的帖子并非当天唯一的 Day-0 宣布。比它早约五分钟，承接托管推理的平台 Reactor（自称面向视频、机器人与世界模型的实时 AI 基础设施），称其 Day-0 支持上线，DROID 与 YAM 端点已在 Reactor API 开放，并介绍了由其研究团队产出的优化检查点 Praxis-1 Fast——Reactor 称其中位延迟为 73 毫秒。Runway 公告把 列为托管推理渠道。
vLLM 帖子结尾致谢了 Runway 与 @Inferact 团队。Inferact 是 X 上的企业认证账号，简介写的是“通过 @vllm_project 构建推理的未来”；至于这个团队在此次集成中具体承担了什么，Runway 与 vLLM 迄今公开的材料中都没有说明。