# MolmoAct-7B-D-Captioner-0812

> 权威词条地址：https://robotics.hellobike.com/models/allenai-molmoact-7b-d-captioner-0812
> 所属分类：models | 最近核验日期：2025-09-05 | 技术层级：L7, L8

## 核心摘要

allenai 在 Hugging Face 发布的机器人模型，架构为 MolmoAct (Molmo VLM + Action Reasoning)，参数规模 8.1B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/allenai/MolmoAct-7B-D-Captioner-0812"] |
| `layers` | ["L7", "L8"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/allenai/MolmoAct-7B-D-Captioner-0812"}] |
| `updated` | 2025-09-05 |
| `family` | vla |
| `params` | 8.1B |
| `architecture` | MolmoAct (Molmo VLM + Action Reasoning) |
| `action_representation` | 连续关节动作块 (Action Chunking) |
| `code_license` | apache-2.0 |
| `weights_license` | apache-2.0 |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | allenai/MolmoAct-7B-D-Captioner-0812 |
| `hub_stats` | {"downloads": 144, "likes": 0, "as_of": "2026-10-21"} |

## 技术详解与生态说明

MolmoAct 是 Allen Institute for AI 开发的全开源机器人操作动作推理模型。MolmoAct 训练使用了 OXE 的一个子集和 MolmoAct Dataset；后者包含 1 万条高质量轨迹，来自单臂 Franka 机器人在家庭和桌面环境中执行 93 种不同操作任务。MolmoAct 被描述为在多个基准上达到视觉-语言-动作模型中的 state-of-the-art 表现。

MolmoAct 7B-D Captioner 基于 Qwen2.5-7B，并使用 SigLip2 作为视觉骨干；它按 Molmo 预训练阶段相同方式在 Pixmo-Cap 上训练，成为用于图像密集描述的 captioner 模型。该检查点面向从零复现 MolmoAct 训练，因为 MolmoAct 7B-D 的预训练阶段从该检查点开始；它不是用于动作推理或基准测试的模型。

该检查点是 MolmoAct 发布的预览版本，数据、训练代码、评测和中间检查点等工件计划后续发布。模型许可为 Apache 2.0，面向研究和教育用途；使用机器人时需遵循硬件厂商指南，并在安全配置环境中操作。

## 原始核验来源 (Sources)

- [Hugging Face allenai/MolmoAct-7B-D-Captioner-0812](https://huggingface.co/allenai/MolmoAct-7B-D-Captioner-0812)