Ai2 ปล่อย MolmoAct 2 — open foundation model สำหรับหุ่นยนต์ทำงานในโลกจริง, inference เร็วขึ้น 37x, ปล่อย MolmoAct 2-Bimanual YAM dataset 720 ชั่วโมง = ใหญ่สุด open-source สำหรับ bimanual manipulation

วันที่ 5 พฤษภาคม 2026 Allen Institute for AI (Ai2) ปล่อย MolmoAct 2 ซึ่งเป็น open-source robotics foundation model รุ่นต่อจาก MolmoAct เดิมที่เปิดตัวเดือนสิงหาคม 2025 — รุ่นใหม่นี้เป็น Action Reasoning Model (ARM) ที่คิด 3D เกี่ยวกับสภาพแวดล้อมก่อนทำการเคลื่อนไหว และทำได้เร็วขึ้นถึง 37x จากรุ่นก่อน

จุดเด่นของการปล่อยรอบนี้ไม่ใช่แค่โมเดล — Ai2 เปิด MolmoAct 2-Bimanual YAM dataset 720 ชั่วโมงของ teleoperated bimanual manipulation ซึ่งเป็น largest open-source bimanual dataset ที่เคยปล่อย บวก MolmoAct 2-FAST tokenizer (open-source reimplementation ของ FAST tokenizer ของ Physical Intelligence ที่ปกติไม่เปิด data train) — ทั้ง weights, data, code, training pipeline เปิดให้นักวิจัยศึกษาและต่อยอดได้หมด

architecture: Molmo 2-ER + flow-matching action expert + KV-cache bridge

MolmoAct 2 ไม่ได้ initialize จาก Molmo 2 ทั่วไป แต่จาก Molmo 2-ER ซึ่งเป็น variant ของ Molmo 2 ที่ Ai2 train เพิ่มอีก ~3M embodied-reasoning examples — ครอบคลุม image-based pointing, object detection, abstract spatial reasoning, multi-image reasoning, image และ video-based spatial QA

ผลคือ — ใน 13 embodied-reasoning benchmarks (pointing, multi-image reasoning, ego-exo correspondence, video spatial reasoning) Molmo 2-ER ได้ average 63.8/100 — ชนะ GPT-5, Gemini 2.5 Pro, Qwen3-VL-8B, และ Google GR-ER 1.5

จากนั้น MolmoAct 2 pair Molmo 2-ER กับ “action expert” ที่ generate robot actions ผ่าน flow matching เชื่อมกับ VLM ผ่าน KV-cache bridge — และมี variant ชื่อ MolmoAct 2-Think ที่ใช้ depth perception tokens สำหรับ tasks ที่ต้องการ explicit 3D reasoning โดย adaptive-depth mechanism จะ route depth prediction เฉพาะตอนที่คาดว่าจะช่วย performance — ไม่ predict depth tokens สำหรับทุก image patch ลด latency 17%

Inference 37x: 180 ms vs 6,700 ms — ความหมายในโลกจริง

ตัวเลขที่น่าสนใจสุดคือ inference time:

• MolmoAct (รุ่นเก่า, ส.ค. 2025): ~6,700 ms ต่อ action call
• MolmoAct 2 base: ~180 ms ต่อ action call
• MolmoAct 2 + adaptive depth reasoning: ~790 ms ต่อ action call

(วัดบน LIBERO benchmark environment กับ NVIDIA H100 1 ตัว)

ความหมายในโลกจริง — รุ่นเก่าหุ่นต้อง “หยุดคิด” ระหว่างการเคลื่อนไหวแต่ละ step (ผู้ดูเห็น pause ชัดเจน) ส่วนรุ่นใหม่ทำงาน near-real time — ตอบสนองต่อ environment แบบที่ต่างจากเดิมมาก — เปิดประตูให้ใช้ในงานที่ต้องการ continuous reactive control เช่น mobile manipulation, dynamic grasping

Real-world results: ชนะ π0.5 ของ Physical Intelligence ในทุกงานที่วัด

Ai2 ทดสอบ MolmoAct 2 zero-shot บน Franka arm กับงานหลายแบบ — pick-and-place ง่าย ๆ (apple-on-plate), งานที่ต้องการความแม่นยำ (pipette-in-tray, knife-in-box), และ longer-horizon (เคลื่อนหลายของลงในชาม) ผลใน 15 trials ต่อ task:

• apple-on-plate: 100%
• pipette-in-tray: 86.7%
• red-cube-in-tape-roll: 93.3%
• knife-in-box: 93.3%
• longer-horizon multiple objects to bowl: 62%
• Overall average: 87.1% — vs 48.4% (MolmoBot) และ 45.2% (π0.5 ของ Physical Intelligence)

นอกจากนั้น Ai2 จ้าง Cortex AI เป็น third-party benchmark รัน 5 robotics policies (รวม MolmoAct 2) ใน multiple bimanual tasks — MolmoAct 2 ได้ average 0.51 สูงสุด ตามด้วย OpenVLA-OFT (0.36), π0.5 (0.32), Cosmos Policy (0.16), X-VLA (0.05) — ครองที่ 1 ใน 7 จาก 8 task

Bimanual YAM dataset: 720 ชั่วโมง, ใหญ่ที่สุด open-source

อีกของแถมที่น่าจับตา — MolmoAct 2-Bimanual YAM dataset เป็นชุดข้อมูล robot demonstrations ของแขนกล 2 แขนทำงานร่วมกัน — 720 ชั่วโมง รวม coordinated tasks เช่น พับผ้า, scan groceries, charge สมาร์ทโฟน, table bussing — เป็น largest open-source bimanual dataset ที่เคยปล่อย มากกว่า 30x ของ data ที่ใช้ train MolmoAct เดิม

Ai2 curate dataset นี้ร่วมกับ Cortex AI และเสริมด้วย mix อื่น ๆ — SO-100/SO-101 datasets (low-cost open arms), filtered DROID Franka data, Google Robot BC-Z + Fractal data จาก Open X-Embodiment, Bridge WidowX data, และ MolmoAct training data เดิม — รวมกันแล้ว increase unique labels จาก ~71K เป็น ~146K

ข้อจำกัด — ไม่ใช่ one-size-fits-all

Ai2 ยอมรับ 2 ข้อจำกัดหลัก:

1. ไม่ใช่ continuous reactive — โมเดล plan batch 10-30 moves แล้ว execute ทั้ง sequence โดยไม่ infer ใหม่ — หุ่นไม่ adjust mid-batch ถ้าเจอ obstacle และ transitions ระหว่าง batches อาจดู jerky
2. ทำงาน out of the box แค่ 3 platform — SO-100, bimanual YAM, Franka — ใช้กับ humanoid หรือ hand-equipped robot ต้อง train เพิ่มกับ data ของ platform นั้น ๆ

นอกจากนี้ Ai2 ยังเผยว่ากำลัง pilot กับนักวิจัยจริง — รวมทีม Cong Lab ที่ Stanford School of Medicine (Le Cong) ซึ่งใช้ MolmoAct 2 ขับเคลื่อน Franka arm ให้จัดการ sample ใน CRISPR gene-editing experiments — เป้าคือ “self-driving wetlab”

มุมมอง AI Curator

MolmoAct 2 เป็น release ที่ตั้งใจ “set standard ของ openness” สำหรับ robotics foundation models — และทำได้สำเร็จในแบบที่ปกติเราเห็นแค่ใน LLM-side ไม่ใช่ robotics

สำหรับ Thai/SEA ecosystem มี implication 3 ชั้น:

ชั้นแรก: open weights + open data + open code = ลดต้นทุน R&D ของบริษัทไทย — บริษัท Thai robotics หรือมหาวิทยาลัยที่ทำ embodied AI เคยต้องพึ่ง closed model ของ Physical Intelligence, NVIDIA Isaac, หรือ Google Robotics — ซึ่งมีค่าใช้จ่ายสูงและไม่สามารถ inspect/modify ได้ — MolmoAct 2 + Bimanual YAM เป็น baseline ที่ทดแทนได้ทันที

ชั้นสอง: SO-100/SO-101 = low-cost open arms ที่นักศึกษาไทยจับต้องได้ — ตัว reference hardware ของ MolmoAct 2 พึ่ง Franka ($70k+) แต่โมเดลก็ train รองรับ SO-100 (open-source low-cost arm ราคาไม่กี่หมื่นบาท) — เปิด space ให้ undergraduate / startup ทำ research robotics ที่ realistic ในงบเล็ก

ชั้นสาม: wetlab automation จะเป็น killer app แรกของ embodied AI — ตัว pilot ของ Cong Lab ที่ใช้ MolmoAct 2 ใน CRISPR workflow คือ template สำหรับ life sciences ในประเทศไทย — มหาวิทยาลัยและ pharma ของไทยที่รอ “robotic lab automation” ราคาเข้าถึงได้ ตอนนี้มีของพร้อมลอง

ที่น่าสังเกต — ตอน Physical Intelligence ปล่อย π0.5 ปลายปีที่แล้ว เป็น “closed source frontier” — Ai2 ทำให้เห็นว่า open foundation สามารถชนะ closed source ในการประเมินจริงได้ — เหมือนที่ Llama-3 ทำกับ GPT-4 ใน LLM space — robotics foundation models กำลังเข้าสู่ phase same dynamic นั้น

แหล่งข่าว

• Ai2 — MolmoAct 2: An open foundation for robots that work in the real world
• SiliconANGLE — Ai2 releases MolmoAct 2, enhancing robot intelligence in the real world
• The AI Insider — Ai2 Releases ‘MolmoAct 2’ Open-Source Foundation Model for Robots
• Hugging Face — Paper: MolmoAct2 Action Reasoning Models for Real-world Deployment