Ai2 发布视频理解模型 Molmo 2

背景

Ai2 最早的 Molmo 系列处理的是静态图像。按 Ai2 的说法，最初那一版在静态图像基准上取得了新的最好成绩，并开创了「指向」（pointing）这种作答方式 ^[2]。指向的意思是：模型不只用一句话作答，还会在图中标出位置，比如某个物体所在的像素。这样答案可以被核对，软件拿到的也是一个具体坐标，而不是一段还需要再解析的描述。

发布内容

2025 年 12 月 11 日，Ai2 发布 Molmo 2 ^[1]。这个系列有三个规模：8B、4B，以及基于 Olmo 的 7B 版本 ^[1]。Olmo 是 Ai2 自己的开放语言模型系列，因此 7B 版本相当于把 Molmo 的视觉部分和 Olmo 的语言主干配在一起。

权重以 Apache 2.0 许可发布 ^[1]。该许可允许使用、修改和再分发，包括商业用途，前提是保留许可条款。对想自己运行或改造视觉语言模型的团队来说，许可常常和基准成绩同样重要：它决定了模型能不能被做进产品、能不能在私有数据上微调，而不必另行谈判授权。

新增能力

Molmo 2 把此前的工作从图像扩展到视频，新增视频指向、跟踪（tracking）和基于定位的问答（grounded question answering）^[1]。

• 视频指向是原有能力在动态画面上的版本：模型不再只在单张图上标记一次，而是在多帧中定位同一个目标。
• 跟踪指在序列中持续跟住同一个物体，即便它在移动、被部分遮挡或外观发生变化。
• 基于定位的问答指答案与模型识别出的具体区域绑定，而不是对整个场景泛泛而谈的一段文字。

Ai2 表示，8B 模型在视频中跟踪物体的表现优于 Gemini 3 Pro ^[1]。这是 Ai2 自己给出的比较，针对的是跟踪这一项能力，而不是模型的整体水平。

代码库

Molmo 2 的代码库于 2026 年 3 月 3 日开源 ^[2]，覆盖数据准备、预训练、微调和评测 ^[2]，也就是从组织训练数据到衡量成品模型表现的整条流程。随权重一起放出代码库之所以重要，是因为权重只让别人「能用」一个模型，而整条流程让别人能重建它、检查它，或者复现报告的结果。

意义

Molmo 2 处在两条趋势的交汇处。一条是视觉语言模型从静态图像转向视频：物体不再是找一次就够，而要在时间上被定位并持续跟随。另一条是开放发布：宽松的权重许可加上公开的训练与评测流程，使模型成为别人可以检视和扩展的东西，而不只是一个通过接口调用的服务。指向和跟踪也暗示了一种不同的用法：模型的输出是画面中的一个区域或一条轨迹，而不是一段文字。