MolmoAct

MolmoAct: Action Reasoning Models that can Reason in Space (Ai2)进阶

Ai2 开源的「动作推理模型」，先推深度、画轨迹，再输出动作的 VLA

Ai2 在 2025 年 8 月发布，基于自家的 Molmo 视觉语言模型，70 亿参数，模型、代码、数据和评测脚本全部开源。它把 VLA 的决策拆成三步：先输出带深度信息的感知 token 理解三维空间，再在图像上画出末端要走的路点轨迹，最后把轨迹解码成机械臂和夹爪的具体动作。因为计划轨迹直接叠在图像上，人能在执行前看到它打算怎么做，也可以在手机或平板上画出路径来引导它。发布时报告在 SimplerEnv 分布外任务上成功率 72.1%、LIBERO 上 86.6%。2026 年 5 月的 MolmoAct2 改用具身推理骨干 Molmo2-ER，接上流匹配动作专家，单次动作推理从约 6.7 秒降到 180 毫秒，并开放了 720 多小时的双臂 YAM 数据集。