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:2026-07-07 2:37:35
大连市市场监督app 遂宁市防洪app 保山市新闻中心app 怀化市税收公开app 武威市社会求助app 邵阳市第五中学app 随州市安全生产app 固原市桥梁管理app 佳木斯市安全生产app 龙岩市新闻中心app 嘉峪关市残联app 攀枝花市残联app 张掖市第五小学app 桂林市工程造价app 绵阳市公益app 邯郸市第二高中app 大方县非物质文化遗产app 逊克县第四中学app 宜黄县学校简介app 兴隆县招标信息app 仪陇县养老服务app 汉寿县风力发电app 汾西县非物质文化遗产app 平江县非物质文化遗产app 安溪县历史记录app 汝城县第一中学app 剑川县学校简介app 滦平县沧县政府信息公开指南app 青神县申建app 响水县学校简介app 资中县台风监控中心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