MolmoMotion-H3-F30
Allen Institute for AI (Ai2)🇺🇸 USResearch· Jun 15, 2026
TextVisionopen weights
A 4B vision language model that forecasts the 3D trajectories of user-selected 2D points from a short frame history and a language action instruction, covering about two seconds at 15 fps. It is intended for motion forecasting research and as a base for finetuning, such as robot pick and place.
Summary of the model card
- License
- apache-2.0
- Modalities
- text, image → text
1 variant
| 4B | 4B | HF |
Sources
HuggingFacePaperDeutsch
Ein Vision Language Modell mit 4 Milliarden Parametern, das aus kurzer Bildhistorie, markierten 2D Punkten und einer Handlungsbeschreibung die 3D Bahn dieser Punkte für rund zwei Sekunden vorhersagt. Gedacht für Forschung zur Bewegungsvorhersage und als Basis für Feintuning, etwa Pick and Place.
Provenance
- Detected
- Sep 27, 2026
- First source
- huggingface
- Description
- Summary of the model card
- Editorially reviewed
- —