/ Модель

Характеристики

Контекст
1 010 000 токенов
Размер весов
19,4 ГБ
Лицензия
Apache 2.0
Архитектура
molmo2 · dense
Библиотека
transformers
Опубликована
15 июн 2026

MolmoMotion-4B-H1-F32

Изображение и текст → текст3 профессии

Мультимодальная модель Ai2 на 4 млрд параметров, которая прогнозирует 3D-траектории точек по RGB-кадру, истории точек и текстовому описанию действия.

471скачиваний за 30 дней5лайковвеса обновлены18 июн 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 «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

MolmoMotion-4B-H1-F32 — разработанная Ai2 модель компьютерного зрения и языка на 4 млрд параметров для прогнозирования движения в 3D. По короткой истории RGB-изображений, заданным пользователем точкам на изображении с их 3D-историей и текстовой инструкцией о действии модель предсказывает будущие траектории точек в координатах камеры, в метрах.

Это авторегрессионный вариант MolmoMotion с одной исторической точкой наблюдения (H=1) и горизонтом прогноза в 32 шага (F=32). Он подходит, когда доступен только один ключевой кадр с точками. Модель предназначена для исследований прогнозирования движения и как основа для дальнейшего дообучения, например для сценариев роботизированного захвата и перемещения предметов.

Модель принимает изображения, текстовую инструкцию и координаты точек с их 3D-историей, а выдаёт прогноз 3D-траекторий. Она построена на архитектуре Molmo2 и доступна в формате safetensors. Лицензия — Apache-2.0. Прогнозы являются оценками модели; перед использованием для управления физическими системами их следует проверять.

Сценарии применения

  • прогнозирование движения точек на изображении по инструкции
  • оценка будущих 3D-траекторий объектов в кадре
  • планирование траекторий для роботизированного захвата и перемещения предметов
  • исследование прогнозирования движения по видео
  • дообучение модели для робототехнических задач

Ограничения

Вариант H=1 использует только один исторический ключевой кадр и предсказывает 32 будущих шага; точность прогноза не гарантируется. Траектории являются оценками модели и требуют проверки перед управлением исполнительными системами.

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

MolmoMotion-4B-H1-F32

MolmoMotion is a 4B vision-language model that forecasts 3D point trajectories under natural-language action instructions. Given a short RGB observation history, a set of user-specified 2D query points with their 3D history, and an action description, it predicts where those points move in 3D (camera frame, in meters) over a future horizon.

This checkpoint is the autoregressive (AR) variant with history H=1 and future horizon F=32. Pick this variant when only a single query keyframe is available.

Quick Links

Intended Use

MolmoMotion forecasts 3D point trajectories from RGB video, 2D query points, and a language action. Use it for trajectory-prediction / motion-forecasting research and as a starting point for downstream finetuning (e.g. the robot pick-and-place recipe in robotics/).

Pick the variant that matches your input:

ModelHistory HFuture FWhen to use
MolmoMotion-4B-H3-F30330Typical video use: 3 history frames, predict ~2 s at 15 fps.
MolmoMotion-4B-H1-F32132Only a single query keyframe is available.

Usage

Install the package, then load this checkpoint:

pip install git+https://github.com/allenai/molmo-motion.git
import torch
from molmo_motion import MolmoMotion, MolmoMotionProcessor

CKPT = "allenai/MolmoMotion-4B-H1-F32"
processor = MolmoMotionProcessor.from_pretrained(CKPT)
model = MolmoMotion.from_pretrained(CKPT)
model._internal = model._internal.to(torch.bfloat16).cuda()  # 4B params

See examples/01_quickstart.py for a full forward pass (building inputs, predict_trajectory, and visualizing the predicted trajectory).

Responsible Use

MolmoMotion is a research model that predicts point trajectories; it is intended for research and educational use in accordance with Ai2's Responsible Use Guidelines. Predicted trajectories are model estimates and should be validated before being used to drive any downstream actuated system.

Disclaimer

MolmoMotion is trained on MolmoMotion-1M, which includes captions and trajectory annotations based on coordinates of objects in videos. The videos are provided by the owners of the datasets listed in allenai/molmo-motion-1m and allenai/PointMotionBench, and are subject to their respective license terms and use restrictions. Users who access videos from these sources to reconstruct any portion of the training data are responsible for reviewing and confirming that their intended use complies with the terms and conditions.

Acknowledgement

We thank Ropedia for providing videos from the Xperience dataset that were used in our research and development of MolmoMotion. The Xperience dataset is governed by Ropedia’s terms and conditions.

Citation

@misc{zhang2026molmomotionforecastingpointtrajectories,
    title={MolmoMotion: Forecasting Point Trajectories in 3D with Language Instruction}, 
    author={Jianing Zhang and Chenhao Zheng and Yajun Yang and Max Argus and Rustin Soraki and Winson Han and Taira Anderson and Chun-Liang Li and Shuo Liu and Jiafei Duan and Zhongzheng Ren and Jieyu Zhang and Ranjay Krishna},
    year={2026},
    eprint={2606.18558},
    archivePrefix={arXiv},
    primaryClass={cs.CV},
    url={https://arxiv.org/abs/2606.18558}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Molmo2ForConditionalGeneration
Ревизия весов
14e69b0

0 моделей