数据构建

Molmo2：面向视频理解与视觉定位的视觉语言模型开放权重与数据

Molmo2: Open Weights and Data for Vision-Language Models with Video Understanding and Grounding

Molmo2 提供了不依赖闭源 VLM 生成的视频/多图数据集与训练配方（packing 与 message-tree 编码、视觉 token 双向注意力、token 加权策略），并给出点驱动视觉定位与像素级跟踪的评测设定，可直接用于构建或评测具备指点和跟踪能力的视频语言模型。