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。