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:2025-07-03 7:32:22
东营市公共文化服务app 郑州市重大建设公开app 廊坊市防火app 杭州市桥梁管理app 鹰潭市第五高中app 茂名市法律服务app 湖州市街道办app 苏州市振兴乡村app 白银市旅游监督app 吉林市新闻中心app 绥化市劳动局app 牡丹江市消费协会app 玉溪市中心校app 阜新市惠农app 泰州市司法管理app 佛山市第五高中app 石嘴山市特殊家庭关爱协会app 罗平县安全宣传app 桦南县电力app 曲阳县暴雨监控中心app 怀远县水务app 福贡县建设局信息app 泸溪县电视台广播app 天峻县台风信息app 田林县法律服务app 于田县事业单位app 安多县民政管理app 绿春县第五小学app 阿瓦提县招标信息app 平江县农业局app 阜城县振兴乡村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