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:2026-07-01 8:28:30
汕尾市历史记录app 牡丹江市城乡建设app 玉溪市警务app 七台河市国土信息app 双鸭山市粮食管理app 晋中市劳动局app 绵阳市第三中学app 中山市第二高中app 阳泉市政要信息app 福州市公益app 盐边县消防宣传app 兰陵县水务app 祁连县风力发电app 温宿县卫生协会app 和布克赛尔蒙古自治县热点专题app 华坪县最新新闻app 寿县司法管理app 安图县台风监控中心app 阳山县养老服务app 沙雅县卫生协会app 上林县建设局信息app 平江县水利app 嘉禾县灾害救助app 平阴县市场监督app 吉安县公共法律服务app 夹江县太阳能发电信息app 庆元县数据管理局app 沧源佤族自治县文旅信息app 祁阳县安全宣传app 迭部县教育局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