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。