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:2025-12-19 9:53:14
伊春市学校app 三明市教育局app 潍坊市财政信息app 玉林市出口管理app 扬州市公正处app 通辽市建设局信息app 太原市第三高中app 晋城市消防局app 定西市铁路管理app 铁岭市应急管理app 抚州市残联救助app 淮安市台风信息app 商丘市工商局app 青岛市消防局app 黄山市第五小学app 唐山市风力发电app 益阳市住房保障app 泾川县太阳能发电信息app 保德县教育局app 西林县招标信息app 临猗县第六小学app 安化县公正处app 武胜县土地局app 岳西县政府信息公开指南app 元江哈尼族彝族傣族自治县法律服务app 岳阳县热点专题app 方正县市场监督app 泗县第四小学app 环江毛南族自治县非物质文化遗产app 洪雅县政务服务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