Ai2 发布 MolmoMotion 语言引导 3D 运动预测模型

2026年6月17日

Ai2

机器在感知运动方面已经变得非常出色。给定一段视频，现代模型能够以极高的置信度追踪物体和点如何在场景中移动。但感知本质上是回溯性的：它解释的是已经发生的运动。我们想要构建的许多系统和应用则需要向前看。一个伸手去拿杯子的机器人必须在触碰杯子之前预判杯子将如何移动。视频生成器如果要生成物理上合理的帧，就必须知道接下来会出现什么样的真实运动。

预测运动比观察运动更难，但在许多场景下也更有用。

这一想法正是我们今天发布的新运动预测模型 MolmoMotion 背后的动机。给定一个视频帧、标记在物体上的 3D 点，以及描述预期动作的文字指令（例如“移动并旋转桌上装有水果的木碗”），MolmoMotion 会预测这些点在接下来几秒内将在 3D 空间中如何移动——其性能大幅优于现有的预测方法。

给定 RGB 观测、物体上的一组查询点以及动作描述，MolmoMotion 会预测该物体未来的 3D 点轨迹。这些预测轨迹随后可以驱动下游应用，例如机器人规划和以轨迹为条件的视频生成。

除模型之外，我们还发布了 MolmoMotion-1M，这是目前最大的、将 3D 点轨迹与动作描述配对的数据集，取自 116 万段视频。我们还发布了 PointMotionBench，这是一个经过人工验证的基准，旨在衡量以物体为中心的 3D 运动预测准确率，包含 2.7K 段视频片段。

我们发现，像 MolmoMotion 这样的运动预测器在一系列下游任务中都很有用，从机器人规划到可控视频生成。我们公开模型权重、MolmoMotion-1M 数据集以及我们的 PointMotionBench 基准，供社区研究、改进和定制。

MolmoMotion 以一种刻意且高效的方式表示运动：以世界空间中的物体附着 3D 点来表示，从而捕捉运动，而无需承担渲染完整视频的成本。我们选择它，是因为我们需要一种具备三个特性的通用运动表示：

在我们考虑过的表示方法中，它是唯一同时满足这三点的。一组稀疏的表面点可以描述刚性、铰接以及（在一定限度内）可变形运动，而无需假设被移动物体的类型。由于这些点位于共享的世界坐标系中，它们的轨迹在相机运动和视角变化下保持稳定。而且由于它们是 3D 空间中紧凑的显式轨迹，可以直接传递给机器人策略或视频生成模型等系统。

为了预测这些轨迹，MolmoMotion 使用 Molmo 2 作为其骨干，使其能够将语言指令与图像中的物体和点联系起来。给定一段简短的视频历史、一个动作描述，以及一组带有初始 3D 位置的查询点，模型首先识别所指的物体、查询点以及指令所描述的运动。然后它预测每个点未来的 3D 轨迹。

我们训练了 MolmoMotion 的两个变体：

MolmoMotion 架构。Molmo 2 骨干的共享输入由 RGB 观测的图像 token、动作描述的文本 token，以及从 Molmo 2 视觉编码器采样的 2D 查询点特征 token 组成。MolmoMotion-AR 对初始 3D 查询坐标进行编码，并将未来轨迹解码为量化坐标文本，而 MolmoMotion-FM 则直接在连续 3D 坐标空间中表示它们。推出 MolmoMotion-1M 和 PointMotionBench 为了训练 MolmoMotion，我们需要尚不存在的数据：带有与特定物体关联的 3D 点轨迹、并与动作描述配对的大规模视频。现有的 3D 跟踪数据集规模小且领域有限，而互联网视频虽然具备我们为 MolmoMotion 这类预测器所期望的规模和多样性，却不包含 3D 标注。因此，我们构建了一条自动流水线，从无约束视频中提取以物体为基准的 3D 轨迹。

给定输入视频及其动作描述，我们的标注流水线会在度量世界坐标中生成以物体为基准的 3D 点轨迹。（下图展示了每个阶段。）具有挑战性的地方在于，来自无约束视频的原始轨迹是有噪声的——深度和跟踪误差会使点抖动和漂移——而且物体在视频的大部分时间里往往保持静止。为了使数据更可信，我们过滤掉与物体其余部分运动不一致的点，平滑剩余的轨迹，并将每个片段裁剪到物体实际运动的窗口。

大规模运行我们的流水线产生了 MolmoMotion-1M——据我们所知，这是迄今为止组装的最大的、带有动作描述、以物体为基准的 3D 点轨迹语料库，涵盖 736 种运动类型和 5.6K 个不同物体。

我们的数据标注流水线概览。给定一段动作事件的视频及其描述，我们首先定位运动物体并在其上采样查询点。然后我们跟踪该物体上的稠密二维点，将这些轨迹提升到一个共享的度量三维坐标系中，并利用物体级空间与时间一致性先验来过滤不可靠的轨迹。最后，我们将视频裁剪到所定位物体发生有意义运动的区间周围。

左侧指令：“在桌上移动并旋转装有水果的木碗。”右侧指令：“在蓝布上滚动粘毛滚筒。”

左侧指令：“一辆银色汽车沿着道路行驶并缓慢向右转弯。”右侧指令：“一只火烈鸟一边向右行走，一边将喙浸入水中。”

为了评估 MolmoMotion 的预测性能，我们还构建了 PointMotionBench，这是一个经人工验证的留出三维轨迹基准。它涵盖 2.7K 个视频片段，跨越 111 个物体类别和 61 种运动类型，包括室内操作、第一人称手物交互以及户外动态场景。对于每个片段，模型会获得当前观测、物体查询点和动作描述，并评估其预测的三维点轨迹与物体实际未来运动的匹配精度。这为我们提供了对三维运动预测的直接定量测试，而不是依赖生成的点轨迹是否仅仅看起来合理。

我们通过三种方式评估 MolmoMotion。第一，我们测试它是否比现有方法更准确地预测未来三维运动。第二，我们测试它学到的运动知识是否有助于机器人执行操作任务。第三，我们测试同样的知识是否有助于引导生成视频中的运动。

在 PointMotionBench 上，MolmoMotion 在我们测试的所有现有三维运动预测方法中表现最佳——包括像素空间视频生成器、参数化三维方法以及简单的匀速基线——覆盖多种物体、场景和动作。

MolmoMotion 可以预测多种物体和场景运动，例如粘毛滚筒将如何在布料上前后移动、碗将如何在桌面上滑动并旋转、火烈鸟将如何一边向右行走一边将喙浸入水体，或者汽车将如何沿着道路转弯行驶。在每种情况下，预测路径都遵循 MolmoMotion 收到的指令，并与我们基准中的真实运动保持极其接近。

MolmoMotion 学到的运动知识应当能够从一个场景迁移到另一个场景——用手拿起杯子和用机器人夹爪拿起杯子是非常不同的动作，但杯子本身在三维空间中遵循相似的路径。这使得 MolmoMotion 天然适合机器人领域，因为机器人必须先规划物体应如何运动，然后才能移动它们。

在 DROID（一个大规模真实世界机器人操作视频开放数据集）上微调后，我们发现 MolmoMotion 能够在广泛的机器人规划场景中，跨不同物体、相机视角、场景和任务预测合理的物体路径。

左侧指令：“把布从容器中取出。”右侧指令：“移动锅盖。”

在仿真中，基于 MolmoMotion 构建的控制策略在抓取放置任务上成功率为 76.3%，而基于 Molmo 2 构建的同一策略为 56.0%——并且它学习得更快，在 10K 训练步后达到 51%，而 Molmo 2 版本最高仅为 19%。在真实机器人上（微调后），MolmoMotion 仅用约 2K 步就达到了 Molmo 2 基线在 12K 训练步后达到的相同测试 L2 误差。

指令：“一只火烈鸟一边向右行走，一边将喙浸入水中。”从左到右：DaS + MolmoMotion、CogVideoX-5B 和 WAN-14B。

指令：“从桌上拿起圆形浅棕色盘子。”从左到右：DaS + MolmoMotion、CogVideoX-5B 和 WAN-14B。

MolmoMotion 预测的路径还可以引导视频生成。与其让图像到视频模型仅根据文本指令猜测运动，你可以输入 MolmoMotion 的预测。结果是生成的视频更贴近所要求的动作，尤其是对于提示词只能模糊描述的小幅精确运动。

指标也支持这一点。用于引导视频生成器时，MolmoMotion 在我们测量的全部五项运动相关指标上均优于基础模型，并在五项指标中的四项上胜过一个大得多的图像到视频模型。

MolmoMotion 是一个能力很强的模型，但仍有一些局限性需要注意。它在训练期间每个物体使用八个查询点——足以预测有用的轨迹，但不足以稠密表示表面几何。这限制了模型处理复杂可变形运动的能力。

我们认为预测——在物体运动之前预判世界中的物体将如何运动——对机器智能而言，与感知已经存在的事物同样基础。MolmoMotion 是朝着这一方向迈出的一步——无需按类别模板、从普通视频中学习、可跨物体类别泛化的三维运动预测，也是我们在 PointMotionBench 上测量到的最准确的三维运动预测器。我们预计机器人、视频及其他领域将出现许多应用。

我们鼓励你通过下载权重、检查训练数据，并对照 PointMotionBench 评估我们的方法来试用 MolmoMotion。

在 Ai2，我们正在构建透明、开源 AI 的未来——以开放方式构建，以赋能科学进步，并促进对这项改变世界的技术的基本理解。我们不是为了盈利，而是为了确保 AI 的益处被广泛共享并造福人类。如果这吸引你，请看看我们的开放职位。