
使用场景
在 UI 导航任务中,Magma 可以根据指令自动完成网页或移动应用的操作。
在机器人操作任务中,Magma 可以通过视觉输入规划机器人的动作,完成抓取和放置任务。
在视频问答任务中,Magma 能够理解视频内容并回答相关问题。
产品特色
支持多模态输入,包括图像、视频和语言。
能够在视觉空间中进行动作规划和执行,如机器人操作。
通过 Set-of-Mark (SoM) 和 Trace-of-Mark (ToM) 技术实现高效的动作理解和规划。
在 UI 导航和机器人操作任务中表现出色,超越了专门为此任务设计的模型。
具备零样本学习能力,能够在未见过的任务中快速适应。
支持多模态理解,如视频问答和空间推理。
能够在真实机器人上进行少样本微调,实现可靠的性能。
提供开源代码和模型,便于研究和开发人员使用。
使用教程
1. 访问 Magma 的官方网站或 GitHub 仓库,获取模型和代码。
2. 根据任务需求选择合适的预训练模型版本。
3. 对于特定任务,如 UI 导航或机器人操作,使用少量标注数据进行微调。
4. 在实际应用中,将输入(如图像、视频或文本指令)传递给模型。
5. 模型会输出动作规划或语言回答,根据输出执行相应操作。
6. 对于复杂任务,可以结合多模态输入进行零样本推理。
7. 使用开源代码和模型进行二次开发或扩展,以满足特定需求。
精选AI产品推荐

Deepmind Gemini
Gemini是谷歌DeepMind推出的新一代人工智能系统。它能够进行多模态推理,支持文本、图像、视频、音频和代码之间的无缝交互。Gemini在语言理解、推理、数学、编程等多个领域都超越了之前的状态,成为迄今为止最强大的AI系统之一。它有三个不同规模的版本,可满足从边缘计算到云计算的各种需求。Gemini可以广泛应用于创意设计、写作辅助、问题解答、代码生成等领域。
AI模型
11.4M
中文精选

Liblibai
LiblibAI是一个中国领先的AI创作平台,提供强大的AI创作能力,帮助创作者实现创意。平台提供海量免费AI创作模型,用户可以搜索使用模型进行图像、文字、音频等创作。平台还支持用户训练自己的AI模型。平台定位于广大创作者用户,致力于创造条件普惠,服务创意产业,让每个人都享有创作的乐趣。
AI模型
8.0M