Was ist Molmo2-8B?
Das Allen Institute for AI (Ai2) hat Molmo2 am 11. Dezember 2025 veröffentlicht, in 4B- und 8B-Versionen auf Basis von Qwen3 und einer 7B-Version auf Basis von Ai2s eigenem Olmo. Das 8B-Modell nutzt Qwen3-8B mit einem SigLIP-2-Vision-Encoder, beantwortet Fragen zu Bildern, mehreren Bildern oder Video und kann Objekte über Videoframes hinweg zeigen und verfolgen.
Die Gewichte stehen unter Apache 2.0, und Ai2 hat die neun neuen Datensätze dahinter veröffentlicht, mehr als 9 Millionen Beispiele, keines von geschlossenen Modellen erzeugt; einige sind nur für nicht kommerzielle Forschung lizenziert. Der vollständige Trainingscode folgte im März 2026. Ai2 beschreibt das Modell als für Forschung und Bildung gedacht. Es ist weiterhin das neueste Modell der Molmo-Reihe.
Lohnt sich Molmo2-8B?
Nach Ai2s Tests ist Molmo2-8B das stärkste offene Modell, um Antworten im Video zu verorten: auf ein Objekt zeigen, es zählen und ihm über Frames folgen. In Ai2s Paper schlägt es Gemini 3 Pro beim Zeigen in Videos mit 38,4 zu 20,0 F1 und beim Tracking mit 56,2 zu 41,1 J&F, und es liegt beim Zählen in Videos vor Qwen3-VL, 35,5 zu 29,6. Das Paper merkt an, dass selbst geschlossenen Modellen diese Art der Verortung meist fehlt.
Es ist zudem ungewöhnlich offen. Ai2 hat die Datensätze, den Code und das Basismodell der 7B-Olmo-Variante veröffentlicht und mit weniger als einem Achtel des Videomaterials trainiert, das Meta für PerceptionLM nutzte, 9,19 Millionen Videos gegenüber 72,5 Millionen. Für ein Team, das erklären muss, woher die Fähigkeiten eines Modells kommen, zählt das so viel wie die Werte.
Die Grenzen liegen beim Reasoning und bei der Länge. Ai2 räumt ein, dass es bei Open-Weight-Reasoning-Benchmarks leicht zurückliegt, größere geschlossene Systeme bei Fragen zu langen Videos klar vorn bleiben und es höchstens 128 Frames mit bis zu 2 Frames pro Sekunde abtastet, sodass ein Zehn-Minuten-Clip als verstreute Standbilder ankommt. Ai2s eigener Blog stellt fest, dass kein Modell, Molmo2 eingeschlossen, beim Video-Grounding 40% Genauigkeit erreicht.
Mit etwa 8,7 Milliarden Parametern passt es in BF16 auf eine 24GB-GPU. Es altert: Das Modell ist fast ein Jahr alt und hatte im letzten Monat 44.427 Downloads, weit unter neueren Allzweckmodellen wie Qwen 3.8, die inzwischen auch Video lesen.
Wo es sich lohnt
Ein Sportanalyse-Start-up
Spieler oder den Ball in kurzen TV-Ausschnitten zählen und verfolgen
Bitte es, benannte Objekte zu zeigen oder zu verfolgen, und lies die Koordinaten pro Frame aus. Eine 24GB-GPU reicht; Clips mit mehr als 128 abgetasteten Frames müssen vorher geteilt werden.
Ein Robotik-Team in der Lagerlogistik
Einem Roboter sagen, wo der in einer Anweisung genannte Artikel im Kamerabild ist
Die Zeige-Ausgabe von Molmo2 liefert Pixelkoordinaten, die die Steuerung nutzen kann. Vor einem kommerziellen Einsatz die Datensatzlizenzen prüfen, da einige Trainingsdatensätze nicht kommerziell sind.
Ein akademisches Labor, das untersucht, wie VLMs aus Daten lernen
Ein Videomodell von Grund auf neu trainieren und die Datenmischung ändern
Die veröffentlichten Datensätze, der Code und die vollständig offene Variante Molmo2-O 7B machen das ohne Reverse Engineering möglich, was nur wenige Konkurrenzmodelle erlauben.
Bevor du dich festlegst
- Einrichtung
- transformers 4.57.1, torch, decord2 und molmo_utils installieren, dann mit AutoModelForImageTextToText und trust_remote_code laden; Ai2s Beispiele decken Video-QA, Zeigen und Tracking ab.
- Integrationen
- Hugging Face Transformers mit Remote-Code, Ai2 Playground, der offene Trainingscode allenai/molmo2; keine kostenpflichtige gehostete API auf OpenRouter gelistet.
- Daten und Datenschutz
- Apache-2.0-Gewichte; selbst gehostet bleibt das Video lokal. Einige Trainingsdatensätze sind nur für nicht kommerzielle Forschung, und Ai2 sagt, das Modell sei für Forschung und Bildung gedacht.
- Kosten im großen Maßstab
- Nur selbst gehostet: etwa 17GB BF16-Gewichte, also eine 24GB-GPU pro Instanz.
- Grenzen
- Bis zu 128 Frames bei 2 fps oder weniger pro Clip; bei langen Videos hinter größeren geschlossenen Modellen; schwächer bei Reasoning-Benchmarks; kein Molmo3 angekündigt.
Was gut ist
- Zeigt auf Objekte in Videos und verfolgt sie; 56,2 J&F beim Tracking gegenüber 41,1 bei Gemini 3 Pro
- Apache-2.0-Gewichte mit veröffentlichten Datensätzen und Trainingscode
- Passt auf eine 24GB-GPU
- Ohne von geschlossenen Modellen erzeugte Daten trainiert
Was nicht
- Schwächer bei Reasoning-Benchmarks und Fragen zu langen Videos
- Höchstens 128 Frames pro Clip
- Einige Trainingsdatensätze nicht kommerziell; Ai2 sieht es als Forschungsmodell
- Keine kostenpflichtige gehostete API
Am besten für
Forschende sowie Robotik- oder Videoanalyse-Teams, die offenes, nachvollziehbares Video-Grounding brauchen, das sie neu trainieren können.
Alternativen zu Molmo2-8B
Molmo2-8B: häufige Fragen
- Lohnt sich Molmo2-8B?
- Molmo2-8B ist das offene Modell für den Fall, dass du wissen musst, wo in einem Video etwas ist, nicht nur ob es vorkommt. Wir bewerten es mit 3.9 von 5.
- Was kostet Molmo2-8B?
- Kostenlose Gewichte unter Apache 2.0; einige Trainingsdatensätze sind nicht kommerziell. Keine kostenpflichtige gehostete API gelistet.
- Welche Nachteile hat Molmo2-8B?
- Schwächer bei Reasoning-Benchmarks und Fragen zu langen Videos; Höchstens 128 Frames pro Clip; Einige Trainingsdatensätze nicht kommerziell; Ai2 sieht es als Forschungsmodell; Keine kostenpflichtige gehostete API.
- Für wen eignet sich Molmo2-8B?
- Forschende sowie Robotik- oder Videoanalyse-Teams, die offenes, nachvollziehbares Video-Grounding brauchen, das sie neu trainieren können.
- Was kostet Molmo2-8B für ein Team oder im Produktivbetrieb?
- Nur selbst gehostet: etwa 17GB BF16-Gewichte, also eine 24GB-GPU pro Instanz.
- Ist Molmo2-8B sicher für Firmendaten?
- Apache-2.0-Gewichte; selbst gehostet bleibt das Video lokal. Einige Trainingsdatensätze sind nur für nicht kommerzielle Forschung, und Ai2 sagt, das Modell sei für Forschung und Bildung gedacht.
- Was sind die besten Alternativen zu Molmo2-8B?
- Die nächsten Alternativen, die wir getestet haben, sind SAM 3 (Segment Anything Model 3), LocateAnything-3B, MiniCPM-V 4.7 (35B-A3B and 1B) und Qwen3.8-27B.
Antworten geprüft am 7. Nov. 2026.