/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,8 млрд
Размер весов
32,1 ГБ
Лицензия
MIT
Архитектура
molmo · dense
Базовая модель
Molmo-7B-D-0924
Опубликована
4 июн 2025

GraspMolmo

Генерация текстаТекст → текст3 профессии

GraspMolmo выбирает и описывает подходящее место захвата предмета по изображению сцены и текстовой задаче для робота.

481скачиваний за 30 дней11лайковвеса обновлены5 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GraspMolmo — дообученная зрительно-языковая модель Allen Institute for AI для выбора захвата при роботизированной манипуляции. Она принимает изображение сцены и текстовую задачу, например просьбу налить чай, и описывает подходящее место и способ захвата предмета. Предсказанную точку захвата можно сопоставить с ближайшим устойчивым вариантом из набора кандидатов.

Модель основана на Molmo-7B-D-0924, использует плотную архитектуру MolmoForCausalLM и содержит 12,8 млрд параметров. Максимальная длина контекста — 4096 токенов; в карточке указана поддержка английского языка. Модель ориентирована на обобщаемый выбор захватов для задач манипуляции, сформулированных в свободной форме. Лицензия — MIT.

Сценарии применения

  • выбор места захвата предмета по изображению и текстовой команде
  • поиск захвата для наливания напитка из заданной кружки
  • сопоставление описанной точки захвата с устойчивым вариантом из кандидатов

Ограничения

Выбор захвата зависит от изображения и текстовой постановки задачи; физическую устойчивость выбранного захвата следует проверять сопоставлением с кандидатами. Описание модели не сообщает результатов бенчмарков или ограничений по типам роботов и сцен.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GraspMolmo

[Paper] [arXiv] [Project Website] [Data]

GraspMolmo is a generalizable open-vocabulary task-oriented grasping (TOG) model for robotic manipulation. Given an image and a task to complete (e.g. "Pour me some tea"), GraspMolmo will point to the most appropriate grasp location, which can then be matched to the closest stable grasp.

Code Sample

from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor, GenerationConfig

img = Image.open("<path_to_image>")
task = "Pour coffee from the blue mug."

processor = AutoProcessor.from_pretrained("allenai/GraspMolmo", torch_dtype="auto", device_map="auto", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("allenai/GraspMolmo", torch_dtype="auto", device_map="auto", trust_remote_code=True)

prompt = f"Point to the grasp that would accomplish the following task: {task}"
inputs = processor.process(images=img, text=prompt, return_tensors="pt")
inputs = {k: v.to(model.device).unsqueeze(0) for k, v in inputs.items()}

output = model.generate_from_batch(inputs, GenerationConfig(max_new_tokens=256, stop_strings="<|endoftext|>"), tokenizer=processor.tokenizer)
generated_tokens = output[0, inputs["input_ids"].size(1):]
generated_text = processor.tokenizer.decode(generated_tokens, skip_special_tokens=True)
print(generated_text)

Running the above code could result in the following output:

In order to accomplish the task "Pour coffee from the blue mug.", the optimal grasp is described as follows: "The grasp is on the middle handle of the blue mug, with fingers grasping the sides of the handle.".

<point x="28.6" y="20.7" alt="Where to grasp the object">Where to grasp the object</point>

Grasp Inference

To predict a grasp point and match it to one of the candidate grasps, refer to the GraspMolmo class. First, install graspmolmo with

pip install "git+https://github.com/abhaybd/GraspMolmo.git#egg=graspmolmo[infer]"

and then inference can be run as follows:

from graspmolmo.inference.grasp_predictor import GraspMolmo

task = "..."
rgb, depth = get_image()
camera_intrinsics = np.array(...)

point_cloud = backproject(rgb, depth, camera_intrinsics)
# grasps are in the camera reference frame
grasps = predict_grasps(point_cloud)  # Using your favorite grasp predictor (e.g. M2T2)

gm = GraspMolmo()
idx = gm.pred_grasp(rgb, point_cloud, task, grasps)

print(f"Predicted grasp: {grasps[idx]}")

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MolmoForCausalLM
Ревизия весов
9aa184d

0 моделей