Molmo 2

是什么

Molmo 2 是 Ai2 开放视觉语言模型家族的第二代，于 2025 年 12 月 11 日发布。此前的 Molmo 只处理静态图像，Molmo 2 把这条产品线扩展到了视频^[1]。视觉语言模型把视觉编码器与语言模型结合起来，使系统能够就它看到的内容回答问题。Molmo 系列的特点在于，它的输出可以落在输入的具体位置上——一个点、一个框、一个时间戳——而不只是一句自然语言描述。

由来

Ai2 称，初代 Molmo 在 2024 年刷新了静态图像基准的最好成绩，并开创了图像指点（pointing）这一能力^[2]。Ai2 还报告说，Molmo 已被下载数百万次，随模型一起发布的 PixMo 数据集成为不少团队替换更大规模闭源模型时的首选资源^[2]。Molmo 2 是这项工作的后续，并延续了第一代的开放发布方式。

三个模型

这次发布包含三个模型。Molmo 2 8B 和 Molmo 2 4B 建立在 Qwen 3 之上；Molmo 2-O 7B 建立在 Ai2 自家的 Olmo 之上，Ai2 称这构成一条完全开放的模型流程^[1]。三个模型的规模按前沿系统的标准都很小，最大者参数量为 80 亿，家族的重点在于权重是公开的。

视频能力

在视频方面，公布的能力包括指点、带持久 ID 的多目标跟踪、密集描述（dense captioning），以及返回时间戳和位置的带依据问答^[1]。这几项能力彼此相关。指点是在某一帧里标出一个具体位置；跟踪是在一个片段里同时跟住多个物体，并给每个物体一个持久 ID，使同一个编号自始至终指向同一个物体；密集描述是对片段作细致描述，而不是用一句话概括；带依据的问答则是在给出答案的同时，说明答案出现在片段的什么时间、什么位置^[1]。

模型对每个片段最多采样 128 帧，采样帧率最高为每秒 2 帧^[1]。这个设定决定了模型「看到」的是什么：较长的片段是按间隔抽帧读取的，而不是逐帧观看，因此时间上的有效分辨率取决于片段本身有多长。

训练数据

Ai2 用约 919 万段视频训练 Molmo 2。同一次发布中给出的对照数字是，Meta 的 PerceptionLM 使用了 7250 万段视频^[1]。也就是说，Molmo 2 背后的视频语料比这个对照对象小得多。

报告的成绩

按 Ai2 自己的说法，Molmo 2 8B 在图像指点与定位两项任务上超过了初代 Molmo 72B，即更小的模型在这两项上胜过了上一代旗舰^[1]。Ai2 还表示，该模型在视频跟踪上大幅领先 Gemini 3 Pro^[1]。在 11 项图像基准的平均成绩上，Ai2 把 Molmo 2 排在开放权重模型的第一位，仅次于 GPT-5 和 GPT-5 mini^[1]。这些都是 Ai2 随发布一同给出的自家比较结果。

许可

模型权重以 Apache 2.0 许可发布^[1]。部分第三方训练数据集仅限非商业研究使用^[1]，因此权重本身是宽松的，但训练数据并非每一份都能自由复用。

在发展中的位置

Molmo 2 出现在这样一个时点：开放权重的视觉语言模型被直接与闭源前沿系统放在一起比较，而 Ai2 对这次发布的表述正是围绕这一点展开的——在 11 项图像基准的平均成绩上位居开放权重模型第一，仅次于 GPT-5 和 GPT-5 mini^[1]。向视频的延伸，加上目标跟踪和带时间戳、带位置的答案，把这个家族从「描述一张图片」推向「说明某件事在一个片段里的何时与何处」^[1]。上一代留下的记录——2024 年在静态图像基准上的最好成绩、开创图像指点、数百万次下载，以及被其他团队采用的 PixMo 数据集^[2]——是第二代被拿来衡量的基准。