普遍观点认为，只有Google、OpenAI和Anthropic等拥有巨额资金与顶尖人才的公司才能开发最先进的基础模型。但正如业界曾指出的那样，这些巨头“没有护城河”。Ai2今日发布的Molmo证明了这一点：这款多模态AI模型性能媲美顶级竞品，且体积更小、完全免费并真正开源。
Molmo是什么？
需澄清的是，Molmo（多模态开放语言模型）是视觉理解引擎，而非ChatGPT式的全功能聊天机器人。它无API接口，未就绪企业集成，也不具备自主联网搜索能力。可将其视为大模型中负责图像识别、理解及问答的核心组件。
Molmo提供72B、7B和1B三种参数变体，能像其他多模态模型一样识别并回答各类日常场景问题，如操作咖啡机、统计图中吐舌狗的数量、筛选素食菜单或解析图表变量等。此类视觉理解任务虽不新鲜，但Molmo的实现方式截然不同。
开源等于闭源，小模型等于大模型
Ai2 CEO Ali Farhadi在西雅图总部演示时表示：“今天展示的核心是‘开源等于闭源’，‘小模型现在也等于大模型’。”他强调这是等价性（==）而非同一性。
AI领域长期奉行“越大越好”准则，但受限于数据瓶颈与算力成本，单纯堆料已难以为继。Farhadi指出，Molmo表现对标GPT-4o、Gemini 1.5 Pro和Claude-3.5 Sonnet，规模却仅为其十分之一左右。
Farhadi坦言评估基准存在局限，但在主流测试中，其720亿参数的小模型表现优于GPT、Claude和Gemini。“这是否意味着绝对更好尚存争议，但至少证明它在同一赛道上具备竞争力。”用户可通过公共演示版体验（支持移动端），无需登录即可刷新页面替换图片进行测试。
高质量数据胜过海量数据
Molmo的秘诀在于“少而精”。相比在数十亿张未经质控的图片中训练，Ai2精心策划并标注了仅60万张图片的数据集。虽不足竞品的百分之一，但独特的标注方法确保了极高描述质量。
具体做法是让标注者看图口述描述。研究发现口语化表达比书面语更准确、更具对话感，使生成的图像描述既丰富又实用。
这一优势体现在其独有的“指向”功能上：被要求数狗时，模型会在每只狗脸上标点；数舌头时则精准定位每个舌头。这种特异性支持多种零样本操作，甚至能在网页界面中理解导航与表单提交逻辑，无需查看代码。
为何重要？打破巨头垄断
尽管科技巨头频繁发布新模型，Molmo的价值在于完全免费开源且可本地运行。开发者无需依赖API订阅或昂贵GPU集群，即可构建AI应用，摆脱对大厂的许可依赖。
Farhadi表示：“目标用户涵盖研究人员、开发者及应用构建者。核心理念始终是提升可访问性。我们将公开所有成果，包括数据、清洗流程、标注、训练代码、检查点及评估体系。”他预计竞争对手会立即利用这些公开资源进行开发。
AI行业正陷入逐底竞争，巨头们耗费巨资压价。若免费开源选项能提供同等能力，其宣称的天文数字估值便值得质疑。Molmo表明，即便皇帝穿着衣服，他也确实没有护城河。