为什么这篇论文值得关注
论文从四个可核对的问题出发：前沿系统闭源、部分开放权重模型依赖昂贵硬件、带推理的策略延迟较高，以及微调后的任务成功率仍不足以稳定使用。
MolmoAct2 对应提出五项改动：专用 VLM 主干、三个新数据集、开放动作 tokenizer、连续动作专家，以及减少重复视觉推理的 MolmoThink。作者同时发布模型权重、训练代码和训练数据，使论文中的主要组件具备复查条件。
五项核心升级
MolmoER：专为空间与具身推理的 VLM 主干
MolmoER 是针对空间推理和具身推理训练的 VLM 主干。作者使用 330 万样本，并采用先专项训练、再回放通用能力的训练流程。具体提升范围应以论文的 13 项具身推理评测为准。
包括 720 小时双臂遥操作数据集 MolmoAct2-BimanualYAM
论文发布三个数据集，包括 MolmoAct2-BimanualYAM 的 720 小时双臂遥操作轨迹，以及经过质量筛选的 Franka（DROID）和 SO100/101 子集。作者称前者是当时最大的开放双臂数据集。
OpenFAST：开源的动作分词器
OpenFAST 是开放权重、开放数据的动作 tokenizer，训练数据包含五种机器人形态、数百万条轨迹。它负责把动作序列编码成离散 token；迁移到新硬件时仍需验证动作空间、控制频率和数据分布是否匹配。
连续动作专家：flow-matching + KV cache 条件化
MolmoAct2 把流匹配（flow-matching）连续动作专家接到离散 token VLM 上，并通过逐层 KV cache 进行条件化。论文摘要说明了结构，但本页没有足够数据判断不同硬件上的绝对延迟或轨迹平滑度。
MolmoThink：只重算画面变化区域的深度 token
MolmoThink 在相邻时间步之间，只重新预测场景中发生变化区域的深度 token。作者报告这种做法保留几何落地能力，同时把延迟降到此前方法的一小部分。它按画面变化区域复用计算，不是根据“任务难度”选择思考深度。
对标的前沿模型
论文摘要报告两组不同评测，比较对象和任务不能合并：
| 评测对象 | 范围 | 作者报告的结论 |
|---|---|---|
| MolmoAct2 VLA | 7 个仿真和真实世界基准 | 超过包括 Pi-05 在内的强基线 |
| MolmoER VLM | 13 个具身推理基准 | 超过 GPT-5 与 Gemini Robotics ER-1.5 |
这些都是论文摘要中的作者报告。摘要没有给出逐项成功率和延迟数字，具体优势大小、统计波动和实验条件需要查正文。
论文和发布内容支持的用途
- 复现论文评测：模型权重、训练代码和完整训练数据已发布。
- 研究双臂策略：720 小时双臂遥操作数据可用于论文覆盖的机器人设置。
- 研究跨机器人动作表示：OpenFAST 的训练覆盖五种机器人形态，可作为动作 tokenizer 的对照实现。
- 测试具身推理主干：MolmoER 可在空间和具身推理任务中单独评测。
论文没有证明模型可直接用于家庭整理或工业装配线。换机器人、相机、控制频率或任务分布后，仍需重新采集数据并做安全评测。
当前局限
1. abstract 未给出与 SOTA 的定量对比数字。 只说做了"史上最大规模实证研究"，具体的成功率、延迟数值要看论文 PDF 正文。
2. 真实硬件门槛仍存在。 论文强调"可部署"，但实际推理需要的 GPU 配置、机器人硬件兼容性范围未在 abstract 详细说明。
3. MolmoThink 的收益依赖场景变化。 它只重算变化区域的深度 token；摄像机快速移动或画面大范围变化时能节省多少计算，需要看分场景实验。
4. 七个基准不代表所有部署环境。 论文覆盖仿真和真实世界任务，但不能据此推断未测试的机器人、传感器和长尾场景。
作者与机构
论文有 29 位作者，部分核心作者包括 Haoquan Fang、Jiafei Duan、Donovan Clay、Sam Wang、Shuo Liu 等。主导单位是 Allen Institute for AI（Ai2）——这家由微软联合创始人 Paul Allen 创立的非营利 AI 研究机构，近年以"全开放"路线在 LLM 和机器人方向都有重要工作（OLMo、Molmo、MolmoAct 系列）。
项目主页发布在 allenai.org/blog/molmoact2。
资源链接
- 论文：arXiv:2605.02881v2
- Ai2 项目主页：allenai.org/blog/molmoact2
- HuggingFace Papers：huggingface.co/papers/2605.02881（270 upvotes）
总结评价
MolmoAct2 把 VLM 主干、数据、动作 tokenizer、连续动作专家和视觉深度复用放进同一套开放实现。VLA 部分在 7 个基准上与 Pi-05 等方法比较；GPT-5 和 Gemini Robotics ER-1.5 的比较属于 MolmoER 的 13 项具身推理评测。
“适合部署”仍需在目标机器人上验证。论文给出了可复现的起点，但硬件成本、端到端延迟、微调成功率和安全边界都应按实际任务重新测量。