Allen Institute: MolmoAct 2 je prvi open-source robotics foundation model koji nadmašuje GPT-5 i Gemini 2.5 Pro
MolmoAct 2 je open-source robotics foundation model koji je 5. svibnja objavio Allen Institute for AI. Model postiže 63,8/100 na embodied-reasoning benchmarkima, nadmašuje GPT-5 i Gemini 2.5 Pro, ubrzava inference 37 puta i prvi je base model s ugrađenim bimanualnim sposobnostima.
Ovaj članak generiran je uz pomoć umjetne inteligencije na temelju primarnih izvora.
Allen Institute for AI (AI2) objavio je 5. svibnja 2026. MolmoAct 2, prvi open-source robotics foundation model koji nadmašuje zatvorene sustave poput Physical Intelligencea te frontier modele GPT-5 i Gemini 2.5 Pro na embodied-reasoning benchmarkima.
Foundation model za robotiku je veliki temeljni model treniran na kombinaciji vizualnih i akcijskih podataka koji omogućuje robotu da izvršava raznolike fizičke zadatke iz prirodnog jezika, bez posebnog treniranja za svaki novi scenarij.
Koje su tri ključne promjene u MolmoAct 2?
Prva promjena je sirova performansa: model postiže 63,8/100 na embodied-reasoning benchmarkima, što ga stavlja ispred GPT-5 i Gemini 2.5 Pro. Druga je drastično ubrzanje — optimizacijom KV-cache bridgea između vision modela i action experta inference je ubrzan 37 puta, sa 6,7 sekundi na 180 milisekundi po akciji. Treća je ugrađena bimanualnost — koordinirano rukovanje s dvije ruke bez per-task fine-tuninga, čime je MolmoAct 2 prvi base model takve vrste.
Model je izgrađen na Molmo 2-ER bazi treniranoj na otprilike 3 milijuna dodatnih primjera embodied-reasoninga.
Kakvi su benchmark rezultati u praksi?
Na LIBERO testu, standardnom akademskom benchmarku za robotsko učenje, MolmoAct 2 postiže 97,2% uspješnosti. Na realnim zadacima s Franka arm robotom uspješnost je 87,1%, dok na novom MolmoBot household benchmarku (skup kućanskih zadataka) postiže 20,6% — što je dvostruko više od drugoplasiranog modela.
Razlika između LIBERO-a i MolmoBota pokazuje koliko su realni neuredni kućanski uvjeti i dalje teški: čak i model koji rješava 97% akademskih zadataka uspijeva u tek petini stvarnih kućanskih scenarija.
Što AI2 objavljuje uz model?
Uz težine modela AI2 objavljuje i YAM Dataset s preko 720 sati bimanualnih demonstracija, što je 30 puta više od originalnog MolmoAct dataseta. Tu je i kompletan trenažni kod te referentni hardverski setup koji druge laboratorije mogu replicirati.
Svi artefakti — težine, dataset, kod i specifikacije hardvera — javno su dostupni. To MolmoAct 2 čini prvim ozbiljnim otvorenim odgovorom na zatvorene robotics foundation modele i daje istraživačima, sveučilištima i manjim tvrtkama bazu na kojoj mogu graditi vlastite primjene bez licencnih ograničenja.
Česta pitanja
- Što je robotics foundation model?
- Robotics foundation model je veliki temeljni model treniran na vizualnim i akcijskim podacima koji robotima omogućuje izvršavanje zadataka iz prirodnog jezika bez fine-tuninga za svaki novi zadatak.
- Što su bimanualne sposobnosti u robotici?
- Bimanualne sposobnosti znače da robot koordinira dvije ruke u jednom zadatku, primjerice da jednom rukom drži posudu, a drugom pretače sadržaj. MolmoAct 2 je prvi base model koji to radi bez per-task treniranja.
- Što je YAM Dataset?
- YAM Dataset je novi javni skup od preko 720 sati bimanualnih robotskih demonstracija koji AI2 objavljuje uz model. To je 30 puta više demonstracija od originalnog MolmoAct dataseta.
📬 AI vijesti u tvoj inbox
Dnevni digest po tvojoj mjeri — biraš teme, izvore i ritam. Odjava jednim klikom.