molmo-motion

MolmoMotion 是一个面向3D运动预测的视觉-语言联合模型，支持根据自然语言指令和短时RGB视频观测，预测用户指定2D点对应的3D轨迹（最长约2秒）。其核心采用4B参数量的自回归架构，融合多模态输入（图像、点坐标、文本），输出帧级3D位置序列，并具备向机器人规划与运动引导视频生成等下游任务迁移的能力。适用于具身智能、人机交互、动作理解及三维场景预测等需要语言驱动运动建模的研究与应用方向。