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:2025-12-02 7:43:35
忻州市财政信息app 七台河市论坛app 襄阳市教育局app 新乡市警务app 汉中市残联app 天水市第五小学app 武汉市粮食管理app 郑州市住房保障app 岳阳市铁路管理app 烟台市工商信息app 南平市农业app 巴中市公正处app 广州市政府信息公开指南app 阳江市土木工程app 青岛市防灾信息app 饶平县征地服务app 山阴县信息公开app 剑河县公益app 锦屏县水利app 卢氏县信息公开app 曲沃县司法管理app 信丰县第四高中app 肥东县安全生产app 沁源县长子县土木工程app 江达县最新新闻app 彝良县妇联app 蒙城县人社管理app 玛多县第一中学app 泾县审计公开app 稻城县同城app 盈江县税务局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