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具备跨数字与物理世界的多模态能力，可自动处理图像、视频、文本等多种数据类型。此外，Magma内置心理预测功能，能够准确推测视频中人物或物体的意图及未来行为，显著提升对时空动态的理解能力。

Magma的应用场景广泛，用户可借助其自动完成电商订单、查询天气，甚至操作实体机器人或在真实象棋对弈中获得帮助。官方表示，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，例如指导家用机器人整理从未见过的物品，或为虚拟助手生成复杂任务的导航说明。

作为视觉语言动作（VLA）基础模型之一，Magma能够从海量公开视觉和语言数据中学习知识，融合语言、空间和时间智能，高效应对数字与物理世界中的复杂任务与环境。这一开源模型的发布，标志着AI在跨领域智能应用中的又一重大突破。