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:2025-11-21 6:19:48
嘉兴市未成年保护协会app 金华市新闻中心app 锦州市工商信息app 衡阳市农业app 三沙市历史记录app 铁岭市第三中学app 金华市暴雨监控中心app 鹰潭市第二高中app 盐城市残联救助app 白城市政务监督app 靖宇县第二高中app 威远县劳动局app 伊宁县电视台广播app 洛扎县未成年保护协会app 房县第二小学app 曲麻莱县风力发电app 康马县第六中学app 井陉县土地申报app 托克逊县土地申报app 鸡东县应急管理app 新蔡县政府公报app 昭平县税收公开app 东安县防灾信息app 平和县残联app 宾阳县非物质文化遗产app 临洮县电台广播中心app 光山县公共法律服务app 隆安县妇联app 昌宁县法律服务app 长泰县公路管理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