Molmo2-8B：崛起为视频问答领域新黑马-育师

传送锚点

- 全能多模态模型的新代表
- 视频问答的新基准
- 多图理解的反直觉亮点
- 对开发者极友好
- 最值得尝试的体验
- 相关链接

全能多模态模型的新代表

Molmo2-8B 是由 Allen Institute for AI 推出的开放式多模态模型，基于 Qwen3-8B 与 Google 的 SigLIP 2 vision backbone 构建，支持图片、视频及多图理解和定位。

在性能评估中，它在视频描述、计数任务和短视频问答上超越同量级开源模型，甚至在长视频处理方面也展现出竞争力。这类通用多模态模型不只是能回答问题，它能看、能数，还能指——并准确给出定位坐标。

视频问答的新基准

目前多模态模型差不多都能处理“这是什么”的基础任务，而 Molmo2-8B 的核心竞争力在于细节处理能力。用户可以上传一段视频，询问“球员在哪个时间点开始扣篮”，Molmo2-8B 不只是可以给出一句文字描述，还能框出对应画面并标注时序坐标。在官方提供的 demo 中，只需一行命令就可以调用extract_video_points解析出模型输出的视频轨迹。

相比 GPT-4V 这类商业闭源模型，Molmo2 系列虽然是开源模型，但在公开评估中得分 63.1，逼近 Eagle2.5-8B 和 Qwen3-VL-8B，远超 InternVL3.5。这表明开源社区在多模态视频理解方向上，不再只是追赶者，而可能悄悄拉开了另一条独立进化线。

多图理解的反直觉亮点

Molmo2-8B 还支持对多张图片进行对比、定位和追踪。在实际使用中，与其将它看作单图增强的聊天助手，不如看成“具备认知连续性”的视觉引擎，例如在给定两张船只图片时，模型能够指出图中所有“船”的位置，并输出标准化 pixel 坐标。如果叠加图像尺寸归一化处理，可以直接嵌入可视化界面进行绘图操作。

这一能力反映了一个趋势：多模态模型正突破 token 层层抽象的限制，朝着更加结构化、低延迟的“空间理解系统”演进。这类输出不是文本生成的副产品，而是一步到位的语义坐标信息。

对开发者极友好

模型在 Hugging Face 平台（模型仓库地址见下方）完全开源，包含 Processor、权重、训练数据索引和实验脚本。且在 Hugging Face 上的 Hugging Face Transformers 库中可以直接调用AutoModelForImageTextToText类进行推理，非常适合重建和定制研究。

更重要的是，Ai2 承诺未来将逐步开源训练代码与中间 Checkpoint，真正朝向完全可重现的开放科学范式迈进。