MolmoAct 2

Allen Institute for AI (Ai2) · 2026-05

VLA2026年の新モデル5Bflow matching

行動推論モデルで、Thinkバリアントは適応深度の推論トークンを用いる。

論文

バックボーンLLM: Molmo2-4B内のLLM (記載なし) · Molmo2-ER
ビジョンエンコーダ: —
アクションヘッド: DiT型flowエキスパート (層別KV) (flow matching)
チャンク: 非公開
制御周期: 非公開
構造の原文要約: Molmo2-ER身体性推論VLM(Molmo2-4B中間学習チェックポイントから開始) + 層ごとKV条件付けのDiT型フローマッチング・アクションエキスパート(バックボーンと同じ層数); OpenFASTトークナイザ

事前学習アクセラレータ: H100 64基 (Molmo2-ER: 2ノード × H100 8基)
事前学習期間: 非公開 (GPU時間でのみ明示)
事前学習ステップ・バッチ: 200K steps、グローバルバッチ128、最大シーケンス4200; Molmo2-ER 第1段階 20K + 1.5K steps
GPU・TPU時間: 5,760 (明示 · H100時間 (約5,760))
ファインチューニング: GPU時間は非公開
データ種類: 実ロボットのテレオペレーション + Web視覚言語(身体化推論VQA)
データ規模: 事後学習セット: BimanualYAM デモ34.5k・720時間以上、SO-100/101 38,059エピソード・19.8Mフレーム・約184時間、DROID 74,604エピソード・17,758,044フレーム; MolmoER 3.3Mサンプル; 事前学習の総量は非公開(ロボット90%・マルチモーダル10%)
主要データセット: BimanualYAM, SO-100/101, DROID, MolmoER
タスク・評価: LIBERO 97.2%(Think 98.1%); MolmoBot 20.6%(π0.5 10.3%); RoboEval 0.443; 実世界ゼロショットFranka 87.1%(π0.5 45.2%); Cortex AI 0.51; Molmo2-ER 13ベンチマーク平均63.8
ロボット: Franka、双腕YAM、SO-100/101

推論デバイス・速度: LIBERO 単一H100で基本180 ms、適応深度推論790 ms(MolmoAct 6,700 ms); bf16 約12 GB
推論メモリ: bf16約12 GB (H100)
重み bf16(計算): 10 GB
実行場所: 非公開

主な特徴: 行動推論モデルで、Thinkバリアントは適応深度の推論トークンを用いる。重み・コード・データを公開し、実世界ゼロショットFrankaで87.1%を報告した。
備考: 修正反映: ライセンス Apache 2.0(README)。arXiv v1 2026-05-04、Ai2ブログ・README 2026-05-05、事前・事後学習コード 2026-06-13公開。データ時間(h)は事前学習の総量が非公開のため空欄。
検証: 修正反映