Molmo2-8Bとは？
Allen Institute for AI（Ai2）は2025年12月11日にMolmo2を公開しました。Qwen3ベースの4Bと8B、Ai2独自のOlmoベースの7Bがあります。8BモデルはQwen3-8BとSigLIP 2の視覚エンコーダーを使い、画像、複数画像、動画についての質問に答え、動画のフレームをまたいで物体を指し示したり追跡したりできます。
重みはApache 2.0で、Ai2はその元になった9つの新しいデータセット、計900万（9 million）件以上の例も公開しています。どれもクローズドモデルで生成したものではなく、一部は非商用研究のみのライセンスです。完全な学習コードは2026年3月に公開されました。Ai2はこのモデルを研究と教育向けとしています。今もMolmoシリーズの最新モデルです。
Molmo2-8Bは使う価値があるか？
Ai2のテストでは、Molmo2-8Bは動画に根拠を持たせた回答、つまり物体を指し示し、数え、フレームをまたいで追うことにおいて最も強いオープンモデルです。Ai2の論文では、動画内のポインティングでGemini 3 ProをF1 38.4対20.0、追跡でJ&F 56.2対41.1で上回り、動画内のカウントでもQwen3-VLを35.5対29.6でリードしています。論文は、クローズドモデルでもこの種のグラウンディングはほとんど備えていないと指摘しています。
珍しいほどオープンでもあります。Ai2はデータセット、コード、7BのOlmo版のベースモデルを公開し、MetaがPerceptionLMに使った動画の8分の1未満、919万（9.19 million）本対7,250万（72.5 million）本で学習しました。モデルの能力がどこから来たか説明しなければならないチームにとって、これはスコアと同じくらい重要です。
限界は推論と長さです。Ai2は、オープンウェイトの推論ベンチマークでやや劣ること、長い動画についての質問では大型のクローズドモデルがはっきり優位なことを認めています。また、サンプリングは最大128フレーム、毎秒2フレームまでなので、10分のクリップはばらばらの静止画として扱われます。Ai2のブログは、Molmo2を含めどのモデルも動画グラウンディングで精度40%に届いていないとしています。
約87億（8.7 billion）パラメータなので、BF16で24GBのGPU 1基に収まります。古くなりつつあり、公開から1年近く経ち、先月のダウンロードは44,427回でした。今では動画も読めるQwen 3.8のような新しい汎用モデルを大きく下回ります。
真価を発揮する場面
スポーツ分析のスタートアップ
短い中継映像で選手やボールを数えて追跡する
名前を指定した物体を指し示すか追跡するよう頼み、フレームごとの座標を読み取ります。24GBのGPU 1基で動きます。サンプリングで128フレームを超えるクリップは事前に分割が必要です。
倉庫ロボティクスのチーム
指示に出てくる品物がカメラ映像のどこにあるかをロボットに伝える
Molmo2のポインティング出力は、コントローラーが使えるピクセル座標を返します。学習データセットの一部は非商用なので、商用展開の前にデータのライセンスを確認してください。
VLMがデータからどう学ぶかを研究する大学の研究室
動画モデルをゼロから再学習し、データの配合を変える
公開されたデータセット、コード、完全にオープンなMolmo2-O 7B版により、リバースエンジニアリングなしでそれが可能です。競合モデルではほとんどできません。
導入前に確認すること
- 導入
- transformers 4.57.1、torch、decord2、molmo_utilsを入れ、AutoModelForImageTextToTextとtrust_remote_codeで読み込みます。Ai2の例は動画QA、ポインティング、追跡をカバーしています。
- 連携
- リモートコードを使うHugging Face Transformers、Ai2 Playground、オープンな学習コードallenai/molmo2。OpenRouterには有料のホスト型APIの掲載なし。
- データとプライバシー
- Apache 2.0の重み。セルフホストなので動画はローカルに留まります。学習データセットの一部は非商用研究のみで、Ai2はモデルを研究と教育向けとしています。
- 大規模利用時のコスト
- セルフホストのみ。BF16の重みは約17GBなので、インスタンスごとに24GBのGPU 1基。
- 制限
- 1クリップあたり最大128フレーム、2 fps以下。長い動画では大型のクローズドモデルに劣る。推論ベンチマークは弱め。Molmo3の発表なし。
良い点
- 動画内の物体を指し示し追跡。追跡のJ&Fは56.2で、Gemini 3 Proの41.1を上回る
- Apache 2.0の重みに加え、データセットと学習コードも公開
- 24GBのGPU 1基に収まる
- クローズドモデルが生成したデータを使わずに学習
気になる点
- 推論ベンチマークと長い動画の質問では劣る
- 1クリップ最大128フレーム
- 学習データセットの一部は非商用で、Ai2は研究用モデルと位置づけ
- 有料のホスト型APIなし
おすすめの人
オープンで説明可能な、再学習もできる動画グラウンディングを必要とする研究者や、ロボティクス・動画分析のチーム。
Molmo2-8Bの代替
Molmo2-8B：よくある質問
- Molmo2-8Bは使う価値があるか？
- Molmo2-8Bは、動画に何かが映っているかだけでなく、どこにあるかを知りたいときに選ぶオープンモデルです。 評価は5点満点中3.9点です。
- Molmo2-8Bの料金は？
- 重みはApache 2.0で無料。学習データセットの一部は非商用。有料のホスト型APIの掲載なし。
- Molmo2-8Bの欠点は？
- 推論ベンチマークと長い動画の質問では劣る; 1クリップ最大128フレーム; 学習データセットの一部は非商用で、Ai2は研究用モデルと位置づけ; 有料のホスト型APIなし.
- Molmo2-8Bは誰に向いているか？
- オープンで説明可能な、再学習もできる動画グラウンディングを必要とする研究者や、ロボティクス・動画分析のチーム。
- チームや本番環境でMolmo2-8Bを使うと費用はいくらか？
- セルフホストのみ。BF16の重みは約17GBなので、インスタンスごとに24GBのGPU 1基。
- Molmo2-8Bは企業データを扱っても安全か？
- Apache 2.0の重み。セルフホストなので動画はローカルに留まります。学習データセットの一部は非商用研究のみで、Ai2はモデルを研究と教育 向けとしています。
- Molmo2-8Bの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はSAM 3 (Segment Anything Model 3), LocateAnything-3B, MiniCPM-V 4.7 (35B-A3B and 1B) 、 Qwen3.8-27Bです。
回答確認日：2026年11月7日