/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
32,5 ГБ
Лицензия
Apache 2.0
Архитектура
molmoact · dense
Базовая модель
Qwen2.5-7B
Библиотека
transformers
Опубликована
4 сен 2025

MolmoAct-7B-D-Captioner-0812

Изображение и текст → текст3 профессии

Модель Allen Institute for AI на основе Qwen2.5-7B и SigLIP2 для подробного описания изображений и воспроизведения обучения MolmoAct.

132скачиваний за 30 дней0лайковвеса обновлены5 сен 2025

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 «Изображение → 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

MolmoAct 7B-D Captioner — модель для подробного описания изображений, разработанная Allen Institute for AI. Она предназначена для воспроизведения этапа предварительного обучения MolmoAct с нуля; этот чекпойнт не предназначен для вывода роботизированных действий или бенчмаркинга. Модель использует языковую основу Qwen2.5-7B и визуальный энкодер SigLIP2, а также обучалась на PixMo-Cap. В метаданных указана архитектура MolmoActForActionReasoning и формат safetensors.

Обучение MolmoAct опирается на часть набора OXE и набор MolmoAct Dataset с 10 тысячами траекторий манипуляций однорукого робота Franka для 93 задач в домашних условиях и на столе. Карточка сообщает о высоких результатах семейства MolmoAct на нескольких бенчмарках vision-language-action, но эти заявления не относятся к назначению данного Captioner. Модель принимает изображения и текстовые инструкции, выдаёт текстовые описания; в метаданных указан английский язык. Лицензия — Apache-2.0. Это предварительная версия семейства.

Сценарии применения

  • подробное описание содержимого изображения
  • генерация плотных текстовых описаний сцен
  • подготовка подписей к изображениям для обучения VLM
  • воспроизведение этапа предварительного обучения MolmoAct

Ограничения

Чекпойнт не предназначен для вывода роботизированных действий или бенчмаркинга. Это предварительная версия модели.

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

MolmoAct 7B-D Captioner

MolmoAct is a fully open-source action reasoning model for robotic manipulation developed by the Allen Institute for AI. MolmoAct is trained on a subset of OXE and MolmoAct Dataset, a dataset with 10k high-quality trajectories of a single-arm Franka robot performing 93 unique manipulation tasks in both home and tabletop environments. It has state-of-the-art performance among vision-language-action models on multiple benchmarks while being fully open-source. You can find all models in the MolmoAct family here. Learn more about MolmoAct in our announcement blog post or the paper.

MolmoAct 7B-D Captioner is based on Qwen2.5-7B and uses SigLip2 as the vision backbone, which is trained on Pixmo-Cap using the same way as Molmo's pre-training stage. This model then becomes a captioner model for image dense captioning, and is intended to be used for MolmoAct training replication from scratch, since we start MolmoAct 7B-D pre-training stage based on this checkpoint. Note that this model is not for running any action inferences or benchmarking, so we skip the inference instruction for this model.

This checkpoint is a preview of the MolmoAct release. All artifacts used in creating MolmoAct (data, training code, evaluations, intermediate checkpoints) will be made available at a later date, furthering our commitment to open-source AI development and reproducibility.

Quick links:

License and Use

This model is licensed under Apache 2.0. It is intended for research and educational use. For more information, please see our Responsible Use Guidelines.

Model and Hardware Safety

MolmoAct offers the ability to inspect a visual trace of its intended actions in space before they occur, allowing users to ensure safe behavior by proactively auditing and adjusting the actions of any hardware acting under the model’s instructions. MolmoAct’s action space is bounded within the data provided, and compliance is built into the model to prevent excessive force when resistance is detected. Please follow the hardware manufacturer’s guidelines when using this model with a robot and perform all operations in a safely configured environment.

Citation

@misc{molmoact2025,
      title={MolmoAct: Action Reasoning Models that can Reason in Space}, 
      author={Jason Lee and Jiafei Duan and Haoquan Fang and Yuquan Deng and Shuo Liu and Boyang Li and Bohan Fang and Jieyu Zhang and Yi Ru Wang and Sangho Lee and Winson Han and Wilbert Pumacay and Angelica Wu and Rose Hendrix and Karen Farley and Eli VanderBilt and Ali Farhadi and Dieter Fox and Ranjay Krishna},
      year={2025},
      eprint={2508.07917},
      archivePrefix={arXiv},
      primaryClass={cs.RO},
      url={https://arxiv.org/abs/2508.07917}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MolmoActForActionReasoning
Ревизия весов
3d2517f

0 моделей