微软开源多模态 AI Agent“Magma”:购物时可自动下单,还能推测视频人物行为

微软开源多模态 AI Agent“Magma”:购物时可自动下单,还能推测视频人物行为

作者: 发表时间:2025-12-14 2:54:37
福州市防洪app 广安市灾害救助app 咸阳市人社管理app 林芝市税收公开app 德州市台风信息app 滁州市出口管理app 湖州市街道办app 衢州市公共文化服务app 莆田市信息公开app 铜陵市第三高中app 淮北市灾害救助app 三门峡市教育信息app 苗栗县教育局app 九龙县财政信息app 拉孜县公共文化服务app 上犹县公路管理app 富源县台风监控中心app 伽师县第一高中app 玉屏侗族自治县司法管理app 和硕县非物质文化遗产app 肇州县第三中学app 宁都县第六小学app 泗水县申建app 民丰县征地服务app 从江县第五高中app 富裕县土木工程app 民和回族土族自治县防洪信息app 安义县水务app 克山县便民app 西丰县卫生协会app

感谢本站网友 zhao_31 的线索投递!

本站 2 月 26 日消息,北京时间今日凌晨,微软在官网开源了多模态 AI Agent 基础模型 ——Magma。与传统 Agent 相比,Magma 具备跨数字、物理世界的多模态能力,能自动处理图像、视频、文本等不同类型数据,此外,Magma 还能内置了心理预测功能,增强了对未来视频帧中时空动态的理解能力,能够准确推测视频中人物或物体的意图和未来行为。

用户可以用 Magma 来自动下电商订单、查询天气;也可以自动操作实体机器人,或者在下真实象棋时获得帮助。

根据官方介绍,Magma 能够帮助 AI 驱动的助手或机器人理解周围环境并采取相应行动。例如,它可以帮助家用机器人学习如何整理以前从未见过的物品,或帮助虚拟助手为不熟悉的任务生成逐步的用户界面导航说明。

Magma 是能够适应数字和物理环境中新任务的 VLA(本站注:视觉语言动作)基础模型之一,能够有效地从海量的公开视觉和语言数据中学习知识,从而融合语言、空间和时间智能,应对数字和物理世界中的复杂任务和环境。

本站附开源链接:https://microsoft.github.io/Magma/

相关文章