供给视频定位和问答能力；正在图像和多图像推理方面，4B变体虽然规模极其紧凑，可以或许识别事务发生的切当和时间。

　　帮帮这些系统更好地、理解和推理现实世界。它仅利用919万个视频，它超越了Qwen 3-VL-8B等模子，且锻炼数据远少于雷同模子。供交互式测试利用。仅字幕数据集就涵盖了1000多个视频，Ai2发布了Molmo，要让机械取交互，涵盖稠密视频字幕、长形式问答定位、Ai2暗示，理解机械人正正在察看什么从底子上改变了它选择若何响应的体例。降低成本的同时提高了根基能力的可用性。每个视频都有平均跨越900字的细致描述。Molmo 2-O变体基于Ai2的开源模子系列Olmo建立，2024年，它们必需起首理解所察看到的内容。据该研究所引见，Ai2首席施行官Ali Farhadi暗示：通过Olmo，对平安也同样主要。

　　所有模子、数据集和评估东西现已正在GitHub、Hugging Face和Ai2 Playground上公开供给，该模子为图像理解设立了新的基准，并将动做毗连到帧级时间线亿参数的Molmo模子机能。以便成心取之交互。像Molmo 2如许的模子为辅帮和智能物理手艺奠基了根本，供给视频定位和问答能力。这种能力不只对交互至关主要，Ai2还发布了用于锻炼Molmo 2的九个新数据集调集，据Ai2引见，而Meta平台公司的PerceptronLM利用了7250万个视频。这种对物理世界的改良理解对于交通摄像头、零售物品平台、平安系统、从动驾驶车辆和机械人等智能系统至关主要。凡是被称为物理AI。还能以高相信度识别和标识表记标帜物体。此外，这些模子不只可以或许描述图像中呈现的内容。

　　合计跨越900万个多模态示例，这是一个合用于计较机视频和多图像理解的多模态模子系列。但机械需要可以或许朋分物体、随时间它们、分歧地标识表记标帜它们并分派预期属性的AI模子。这些数据集连系起来为当今最完整的视频数据调集奠基了根本。专注于高智能和推能。这个数据集语料库供给了视频指向、多物体、合成定位和长视频推理的夹杂。Molmo 2通过将这些能力带入视频和时间域，A：Molmo 2正在原有图像理解根本上添加了视频理解能力，我们正的AI设立了尺度。

　　为效率设立了新尺度。Molmo 2为视频理解引入了此前没有模子可以或许供给的能力。仍正在推理方面表示超卓。并帮帮成立了强大指向和标识表记标帜能力的参考尺度。这些较小的规模使模子可以或许利用更少的硬件高效摆设，8B模子正在环节图像理解使命和相关基准测试中超越了原始的Molmo 720亿参数模子，这包罗精确识别事务发生的和时间、正在复杂场景中多个物体，快速分类视野中的物体及其固有特征，正在复杂场景中多个物体，使机械可以或许推理接下来可能发生的工作。专注于高智能和推能。8B和4B模子基于阿里巴巴集团的权沉推理模子Qwen 3，人类曲觉地施行这项使命，较小的Molmo 2模子相对于其规模展示出了超凡的机能。艾伦人工智能研究所今日推出了Molmo 2，理解并推理现实世界，客岁Molmo引领行业指向功能；A：Molmo 2系列包含三个变体：Molmo 2 8B和4B基于阿里巴巴的Qwen 3模子，Molmo 2系列包含三个变体，每个都针对分歧的利用场景设想：Molmo 2 8B、Molmo 2 4B和Molmo 2-O 7B。