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:2025-12-11 9:50:12
钦州市警务app 遵义市第一中学app 吉林市旅游协会app 许昌市公共法律服务app 嘉峪关市税务局app 眉山市政要信息app 龙岩市政务服务app 那曲市应急管理app 吉安市农业补贴app 遵义市第一中学app 云浮市消费协会app 仁布县最新新闻app 托克逊县通讯协会app 弥渡县助农app 沿河土家族自治县第一高中app 丰顺县第四中学app 隆德县非物质文化遗产app 黄梅县公益app 通榆县防火app 刚察县残联app 清徐县应急管理app 杂多县建设局信息app 九寨沟县街道办app 玛曲县旅游监督app 铜鼓县工程造价app 全南县妇联app 壤塘县灾害救助app 新竹县数据管理局app 克东县安全宣传app 汝城县工商信息app 红河县卫生协会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