¿Qué es Molmo2-8B?
El Allen Institute for AI (Ai2) publicó Molmo2 el 11 de diciembre de 2025, en versiones de 4B y 8B basadas en Qwen3 y una de 7B basada en Olmo, el modelo propio de Ai2. El de 8B usa Qwen3-8B con un codificador visual SigLIP 2, responde preguntas sobre imágenes, varias imágenes o vídeo, y puede señalar y seguir objetos a lo largo de los fotogramas.
Los pesos están bajo Apache 2.0, y Ai2 publicó los nueve conjuntos de datos nuevos que hay detrás, más de 9 millones de ejemplos, ninguno generado por modelos cerrados; algunos tienen licencia solo para investigación no comercial. El código de entrenamiento completo llegó en marzo de 2026. Ai2 describe el modelo como pensado para investigación y educación. Sigue siendo el modelo más reciente de la línea Molmo.
¿Merece la pena Molmo2-8B?
Según las pruebas de Ai2, Molmo2-8B es el modelo abierto más fuerte para anclar respuestas en vídeo: señalar un objeto, contarlo y seguirlo entre fotogramas. En el artículo de Ai2 supera a Gemini 3 Pro en señalamiento en vídeo, 38,4 frente a 20,0 de F1, y en seguimiento, 56,2 frente a 41,1 de J&F, y aventaja a Qwen3-VL en conteo en vídeo, 35,5 frente a 29,6. El artículo señala que incluso los modelos cerrados carecen en general de este tipo de anclaje.
También es inusualmente abierto. Ai2 publicó los conjuntos de datos, el código y el modelo base de la variante Olmo de 7B, y entrenó con menos de una octava parte del vídeo que Meta usó para PerceptionLM, 9,19 millones de vídeos frente a 72,5 millones. Para un equipo que debe explicar de dónde salen las capacidades de un modelo, eso importa tanto como las puntuaciones.
Los límites están en el razonamiento y la duración. Ai2 reconoce que va algo por detrás en benchmarks de razonamiento de pesos abiertos, que los sistemas cerrados más grandes mantienen una clara ventaja en preguntas sobre vídeos largos, y muestrea como máximo 128 fotogramas a hasta 2 fotogramas por segundo, así que un clip de diez minutos se ve como fotos sueltas. El propio blog de Ai2 indica que ningún modelo, Molmo2 incluido, llega al 40% de precisión en anclaje en vídeo.
Con unos 8,7 mil millones de parámetros cabe en una GPU de 24GB en BF16. Se está quedando atrás: tiene casi un año y 44.427 descargas el último mes, muy por debajo de modelos generales más nuevos como Qwen 3.8, que ahora también leen vídeo.
Dónde se gana su sitio
Una start-up de analítica deportiva
Contar y seguir a jugadores o el balón en clips cortos de retransmisiones
Pídele que señale o siga objetos por su nombre y recoge las coordenadas por fotograma. Funciona en una GPU de 24GB; los clips de más de 128 fotogramas muestreados hay que dividirlos antes.
Un equipo de robótica de almacén
Indicar a un robot dónde está en la imagen de cámara el artículo nombrado en una instrucción
La salida de señalamiento de Molmo2 da coordenadas en píxeles que el controlador puede usar. Revisa las licencias de los datos antes de un despliegue comercial, porque algunos conjuntos de entrenamiento son no comerciales.
Un laboratorio académico que estudia cómo aprenden los VLM de los datos
Reentrenar un modelo de vídeo desde cero y cambiar la mezcla de datos
Los conjuntos de datos, el código y la variante totalmente abierta Molmo2-O de 7B lo hacen posible sin ingeniería inversa, algo que pocos modelos rivales permiten.
Antes de decidirte
- Puesta en marcha
- Instala transformers 4.57.1, torch, decord2 y molmo_utils y carga con AutoModelForImageTextToText y trust_remote_code; los ejemplos de Ai2 cubren preguntas sobre vídeo, señalamiento y seguimiento.
- Integraciones
- Hugging Face Transformers con código remoto, Ai2 Playground y el código de entrenamiento abierto allenai/molmo2; ninguna API alojada de pago en OpenRouter.
- Datos y privacidad
- Pesos Apache 2.0; autoalojado, el vídeo se queda en local. Algunos conjuntos de entrenamiento son solo para investigación no comercial, y Ai2 dice que el modelo está pensado para investigación y educación.
- Coste a escala
- Solo autoalojado: unos 17GB de pesos BF16, así que una GPU de 24GB por instancia.
- Límites
- Hasta 128 fotogramas a 2 fps o menos por clip; por detrás de modelos cerrados más grandes en vídeo largo; más flojo en benchmarks de razonamiento; ningún Molmo3 anunciado.
Lo bueno
- Señala y sigue objetos en vídeo; 56,2 de J&F en seguimiento frente a 41,1 de Gemini 3 Pro
- Pesos Apache 2.0 con conjuntos de datos y código de entrenamiento publicados
- Cabe en una GPU de 24GB
- Entrenado sin datos generados por modelos cerrados
Lo malo
- Por detrás en benchmarks de razonamiento y preguntas sobre vídeos largos
- Como máximo 128 fotogramas por clip
- Algunos conjuntos de entrenamiento son no comerciales; Ai2 lo presenta como modelo de investigación
- Sin API alojada de pago
Ideal para
Investigadores y equipos de robótica o analítica de vídeo que necesitan anclaje en vídeo abierto y explicable que puedan reentrenar.
Alternativas a Molmo2-8B
Molmo2-8B: preguntas frecuentes
- ¿Merece la pena Molmo2-8B?
- Molmo2-8B es el modelo abierto al que recurrir cuando necesitas saber en qué parte de un vídeo está algo, no solo si aparece. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta Molmo2-8B?
- Pesos gratuitos bajo Apache 2.0; algunos conjuntos de entrenamiento son no comerciales. Sin API alojada de pago.
- ¿Qué inconvenientes tiene Molmo2-8B?
- Por detrás en benchmarks de razonamiento y preguntas sobre vídeos largos; como máximo 128 fotogramas por clip; algunos conjuntos de entrenamiento son no comerciales; Ai2 lo presenta como modelo de investigación; sin API alojada de pago.
- ¿Para quién es Molmo2-8B?
- Investigadores y equipos de robótica o analítica de vídeo que necesitan anclaje en vídeo abierto y explicable que puedan reentrenar.
- ¿Cuánto cuesta Molmo2-8B para un equipo o en producción?
- Solo autoalojado: unos 17GB de pesos BF16, así que una GPU de 24GB por instancia.
- ¿Es Molmo2-8B seguro para los datos de la empresa?
- Pesos Apache 2.0; autoalojado, el vídeo se queda en local. Algunos conjuntos de entrenamiento son solo para investigación no comercial, y Ai2 dice que el modelo está pensado para investigación y educación.
- ¿Cuáles son las mejores alternativas a Molmo2-8B?
- Las alternativas más cercanas que hemos analizado son SAM 3 (Segment Anything Model 3), LocateAnything-3B, MiniCPM-V 4.7 (35B-A3B and 1B) y Qwen3.8-27B.
Respuestas comprobadas el 7 nov 2026.