Molmo2: Open Video-Language AI with Pixel-Level Grounding

Molmo2: Open Video-Language AI with Pixel-Level Grounding

Most top video AIs are locked up. Molmo2 opens the door: open weights and open datasets, built to understand videos and ground that understanding by pointing to and tracking objects in the pixels.

  • Data you can build on: 7 new video datasets and 2 multi-image sets, including rich video captions, free-form video Q&A, complex object tracking, and a new video pointing set, all collected without closed models.
  • Training recipe: efficient sequence packing, message-tree encoding, bi-directional attention over vision tokens, and a novel token-weighting strategy.
  • Results: the 8B Molmo2 leads open models on short-video understanding, counting, and captioning, and is competitive on long videos.
  • Grounding wins: beats open models like Qwen3-VL on video counting (35.5 vs 29.6), and surpasses Gemini 3 Pro on some tasks (video pointing F1: 38.4 vs 20.0; video tracking J&F: 56.2 vs 41.1).

Why it matters: developers and researchers finally get transparent, high-quality building blocks for video-language systems that not only describe what is happening, but can show you where it happens. Paper: https://arxiv.org/abs/2601.10611v1

Paper: https://arxiv.org/abs/2601.10611v1

Register: https://www.AiFeta.com

AI OpenSource VisionLanguage VideoUnderstanding MachineLearning ComputerVision VLM Research Molmo2 Grounding Tracking Datasets

Read more

Koneiden käyttäytymistä ei tarvitse enää kirjoittaa kaavoiksi käsin

Koneiden käyttäytymistä ei tarvitse enää kirjoittaa kaavoiksi käsin

Kun hissi lähtee liikkeelle, ilmastointi säätää puhallusta tai robotti asettaa ruuvin paikalleen, taustalla on malli siitä, miten kone käyttäytyy. Niitä on perinteisesti rakennettu niin kuin hyviä reseptejä: asiantuntija kerää kokemusta, mittaa, kirjoittaa yhtälöitä ja virittää pitkään. Se vie aikaa – ja jokainen muutos laitteessa tai ympäristössä tarkoittaa uutta työtä. Viime vuosina

By Kari Jaaskelainen
Oppimalla ohjattu vedenalainen robotti löysi telakan – myös oikeassa vedessä

Oppimalla ohjattu vedenalainen robotti löysi telakan – myös oikeassa vedessä

Kun robotti-imuri hivuttautuu kotona lataustelakkaansa, kukaan ei pidä hetkeä ihmeenä. Veden alla sama temppu on kaikkea muuta kuin arkipäivää – näkyvyys on huono, virtaukset nykivät, eikä satelliittipaikannus auta. Silti juuri tähän suuntaan on otettu askel, joka voi venyttää vedenalaisten robottien toimintamatkaa ja -aikaa. Vuosia on ajateltu, että vedenalaisen telakoitumisen kaltaiset tehtävät

By Kari Jaaskelainen
Oppivat liikennevalot voivat lyhentää jonotusaikaa kymmenesosan

Oppivat liikennevalot voivat lyhentää jonotusaikaa kymmenesosan

Kaikki tietävät hetken, kun seisot punaisissa valoissa keskellä yötä, eikä mihinkään suuntaan näy autoja. Tai aamun, jolloin tavallinen risteys puuroutuu yllättäen, koska osa kuljettajista päättääkin kääntyä eri suuntaan kuin yleensä. Liikennevalot ovat sääntöjen koneita, mutta liikenne elää kuin säätila. Pitkään ratkaisuksi on ehdotettu ”älykkäitä” valoja, jotka oppivat liikenteestä ja säätävät

By Kari Jaaskelainen