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:2026-09-25 6:45:25
盘锦市土地局app 黑河市残联救助app 清远市第六中学app 忻州市第三小学app 广州市特殊家庭关爱协会app 昭通市妇联救助app 平顶山市农业局app 宁波市工程造价app 广州市公共文化服务app 惠州市工商局app 张掖市粮食管理app 于田县第三中学app 肃南裕固族自治县第五中学app 志丹县民政管理app 东乡族自治县森林消防app 闽清县特殊家庭关爱协会app 饶河县天气监控中心app 全椒县第四小学app 宝丰县教研app 宝清县不良信息举报app 会同县特殊家庭关爱协会app 定兴县第四小学app 岳西县第五高中app 龙游县第二小学app 昌江黎族自治县第二高中app 扎囊县人社管理app 贡觉县妇联app 喀喇沁左翼蒙古族自治县专题专栏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