# MolmoAct2-DROID

> 权威词条地址：https://robotics.hellobike.com/models/allenai-molmoact2-droid
> 所属分类：models | 最近核验日期：2026-05-23 | 技术层级：L7

## 核心摘要

allenai 在 Hugging Face 发布的机器人模型，架构为 MolmoAct 2 (Molmo VLM + Action Generation)，参数规模 5.4B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/allenai/MolmoAct2-DROID"] |
| `layers` | ["L7"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/allenai/MolmoAct2-DROID"}] |
| `updated` | 2026-05-23 |
| `family` | other |
| `params` | 5.4B |
| `architecture` | MolmoAct 2 (Molmo VLM + Action Generation) |
| `action_representation` | 离散动作 Token (Autoregressive Action Tokens) |
| `code_license` | Apache-2.0 |
| `weights_license` | Apache-2.0 |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | allenai/MolmoAct2-DROID |
| `hub_stats` | {"downloads": 2272, "likes": 5, "as_of": "2026-10-21"} |

## 技术详解与生态说明

MolmoAct2-DROID 是面向机器人控制的开放视觉-语言-动作模型检查点。模型基于 Molmo2-ER，并接入一个 flow-matching 连续动作专家；该动作专家通过逐层连接，基于 VLM 的 key-value cache 进行条件化。该检查点在 filtered DROID Franka mixture 上微调，使用 absolute joint-pose control，面向 DROID-style policy inference 和继续微调。

推理时建议使用连续动作预测，这也是默认使用的模式；离散动作预测仅用于对齐和调试，且需要调用方自行提供 action tokenizer。DROID 检查点微调时使用三个相机槽位，顺序为 exterior 1、exterior 2、wrist；只有一个外部相机和一个腕部相机时，可复制外部图像以匹配训练布局。`state` 使用原始机器人状态，输出动作是机器人尺度；推理需使用 `norm_stats.json` 并传入 `norm_tag="franka_droid"`。

该检查点不启用深度推理，调用 `enable_depth_reasoning=True` 会报错。float32 推理在其报告实验中使用，CUDA graph 开启约需 26GB 显存、关闭约 24GB；bfloat16 在测试中可低于 16GB。用于实体机器人前应验证输出，并结合动作限幅、控制器限制、任务安全约束和急停机制。

## 原始核验来源 (Sources)

- [Hugging Face allenai/MolmoAct2-DROID](https://huggingface.co/allenai/MolmoAct2-DROID)