3D 运动预测这件事，过去几年一直被"特定物体"和"模板化轨迹"捆住手脚——你只能预测人手、人脸，或者在预设好的关节骨架上跑数据。Allen AI 这次扔出来的 MolmoMotion，直接把这条线拆了：它基于 Molmo 2 骨干网络，输入几帧视频、在物体表面点几个 3D 标记、给一句动作指令，比如"把桌上那个木碗挪到旁边再转一下"，模型就能预测未来几秒内这些点会跑出一条什么样的 3D 轨迹。桌子、碗、水果——什么物体都行，没有预设骨架的限制，这是它和以往工作最本质的区别。
技术实现上给了两个变体。MolmoMotion-AR 是自回归路线，一步一步地吐坐标，适合需要精确控制的场景；MolmoMotion-FM 走流匹配（Flow Matching）路线，在连续空间里做变换，能更好地处理"未来运动本身就有多种可能"的情况——比如我端起杯子，既可能往左放，也可能往右放。两个版本覆盖了确定性预测和概率性预测两种需求，研究者按场景挑就行。
配套资源也相当豪放。MolmoMotion-1M 数据集包含 116 万个视频的 3D 点轨迹和动作描述，规模在同类数据里数一数二；PointMotionBench 是专门搭的评测基准，2700 个经过人工核验的视频片段，够用也好用。模型权重、数据集、基准测试全部开源，研究门槛被直接拍到了地板上。对做机器人和视频生成的人来说，这是个值得认真花时间看的工具——它不会明天就落地进产线，但作为研究基础设施，已经把"任意物体 3D 运动预测"这件事往前推了一大步。
