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:2025-12-08 8:45:46
金昌市政府信息公开指南app 十堰市风力发电app 大连市电台广播中心app 黄石市街道办app 山南市第二高中app 白银市第四高中app 金华市第五小学app 哈尔滨市防洪app 临汾市数据管理局app 武汉市公正处app 邯郸市公路管理app 乌鲁木齐市教育信息app 石家庄市数据管理局app 杭州市电力app 雅安市人社管理app 泉州市特殊家庭关爱协会app 来宾市公共法律服务app 丽水市工商信息app 大荔县征地服务app 永清县工商信息app 郏县振兴乡村app 抚顺县土地局app 庆元县信息公开app 丹巴县旅游监督app 乡宁县政要信息app 镇雄县第二中学app 澄迈县出口管理app 彭泽县旅游协会app 文水县中心校app 紫云苗族布依族自治县文旅信息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