8日，谷歌旗下AI研究机构正式在GitHub平台开源其最新研发的MolmoAct机器人"行动推理模型"(Action Reasoning Model，ARM)。这款专为具身智能设计的模型，致力于解决机器人在复杂三维环境中的动作规划难题，有望大幅提升智能体的自主决策能力。
与传统依赖文本指令的视觉语言行动模型(VLA)不同，MolmoAct通过创新的空间感知技术，实现了对物体深度与距离关系的精准捕捉。
该模型采用三阶段处理流程：
- 第一阶段：通过VQVAE预训练生成具有空间感知的Token，这些Token不仅包含物体几何特征，还精确编码了三维空间位置
- 第二阶段：在图像空间动态生成可视化路径点，清晰展示任务执行轨迹
- 第三阶段：将路径点转化为机器人可执行的底层指令，实现从规划到执行的完整闭环
测试数据显示，MolmoAct-7B在SimplerEnv模拟环境中表现突出：
- 新任务成功率72.1%，超越Physical Intelligence等竞争对手
- LIBERO平台多任务测试中，经微调后成功率提升至86.6%
- 训练效率惊人：预训练仅需256颗H100 GPU/1天，微调仅需64颗H100/2小时
值得注意的是，系统在执行前会将运动轨迹可视化叠加，允许人工审查修正，确保操作安全。
目前项目已在GitHub全面开源（https://github.com/allenai/MolmoAct），包含模型权重、完整代码及工具链。这项开源举措将加速具身智能技术的实际应用落地。
