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:2025-12-12 9:48:38
吉林市教育信息app 抚州市养老服务app 石家庄市第三中学app 三沙市学校app 锦州市振兴乡村app 桂林市第二高中app 宜春市财政信息app 揭阳市第二高中app 齐齐哈尔市消防宣传app 铜川市安全生产app 辽阳市第三中学app 吴忠市电力app 合肥市残联救助app 滨州市桥梁管理app 河源市特殊家庭关爱协会app 若尔盖县最新新闻app 安仁县防洪app 凤台县政务服务app 宁阳县政府公报app 洛南县通讯协会app 繁峙县工商信息app 宝清县出口管理app 孝昌县同城app 平陆县安全宣传app 拜泉县旅游协会app 白沙黎族自治县太阳能发电信息app 抚松县信息公开app 广灵县专题专栏app 长海县残联app 大英县防洪app 张北县灾害救助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