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:2025-12-03 9:31:28
普洱市未成年保护协会app 宿州市劳动局app 平凉市台风信息app 西安市消费协会app 拉萨市工商信息app 张掖市台风信息app 泰州市电力app 大连市非物质文化遗产app 日喀则市农业补贴app 临汾市税务局app 福州市第二高中app 白山市公益app 锦州市新闻中心app 贵港市农业补贴app 湘潭市消防宣传app 沈阳市服务大厅app 许昌市人社管理app 宝丰县第五小学app 新源县第三中学app 新宁县第三小学app 营山县司法管理app 资源县劳动局app 雅江县信息公开app 江安县招标信息app 行唐县非物质文化遗产app 拉孜县水利app 米林县公共法律服务app 茂县住房保障app 乡宁县教育信息app 左权县申建app 南乐县建设局信息app 富顺县台风信息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