大部分AI都停留在“看懂了已发生的事”，但真正有用的系统需要“预判接下来会发生什么”。一个机器人要抓杯子，得在接触之前就预测杯子会怎么动；一个视频生成器要生成下一帧，得先知道什么是合理的物理运动。感知的局限性就在这里——它永远在回顾过去。MolmoMotion就是冲着这个问题去的：给你一张图、标几个3D点加一句文字指令，它能预测出这些点在接下来几秒里在真实3D空间中的运动轨迹，精度远超现有方法。配套还发布了目前最大的配文3D轨迹数据集和人工校验的评测基准，让这事从能跑到能测都有了基础。

它的核心思路很聪明：用附着在物体上的稀疏3D点作为运动表示。这种方式不依赖任何预设的物体类别模板（手、身体、刚性物体都不需要），而且因为是世界坐标系下的点，换摄像头换视角轨迹依然稳定。关键是，这些点轨迹可以直接喂给下游的机器人策略或视频生成模型，不需要额外转换。模型本身基于Molmo 2，能理解语言指令和图像中的对应关系，然后做了两个变体：MolmoMotion-AR用自回归方式一步步吐出未来坐标，准确度最高；MolmoMotion-FM用流匹配在连续空间里预测，能处理指令有歧义时多种可能的运动轨迹。数据方面，他们从海量互联网视频里自动提取3D轨迹并配对动作描述，用了一堆滤波和裁剪技巧清洗噪声，最终产出百万级的高质量数据。

最有意思的是MolmoMotion展现出的迁移能力。在机器人规划任务上，基于它的控制策略在仿真环境里成功率76.3%，碾压同样基于Molmo 2的56%，而且学习速度快得多——10K步就达到51%，对比基线最好才19%。在真实机器人上，它用约2K步就追平了基线12K步的误差。这背后的逻辑很本质：物体在3D空间中的运动规律是共通的，不管是被人手拎还是被机械臂抓，杯子的路径本质上一样。MolmoMotion学到的是这种底层运动物理，而不是特定场景的表面模式。用它引导视频生成也让小物体和精细运动的生成质量显著提升，在5项运动指标上全面超越基础模型。这套思路告诉我们：预测不是感知的附属品，而是一个独立的、同样基础的智能能力，而且可以从视频中大规模学到并泛化到不同场景。