微软开源多模态AI基础模型！无需额外微调轻松拿捏网页、机器人

发布日期：2025-03-11 04:33:23 浏览次数： 2243

作者：量子位

微信搜一搜，关注“量子位”

微软研究院官宣开源多模态AI——Magma模型。

首个能在所处环境中理解多模态输入并将其与实际情况相联系的基础模型。

该模型近期已被计算机视觉顶会CVPR接收，只要给定一个目标描述，Magma就能制定计划、执行行动，无论是在数字界面中还是物理世界里，都能展现出灵活而高效的交互能力。

比如在网页中找到天气信息并打开飞行模式，或是执行分享、发送消息等多步骤操作。

再比如在真实机器人任务中，让机器人移动桌面上的“热狗”模型、把蘑菇模型放到锅里，或者将抹布从左至右推开。

相比其它模型，它在实际滚动演示中更加“丝滑”，出错率更低。

或者在多模态理解和对话任务中，赢了眼前国际象棋比赛（左），或根据当前环境提出放松几个小时的建议（右）。

甚至还能描述视频中发生了什么动作，并预测接下来会发生什么。

目前该模型以MIT许可证在GitHub上开源。

融合视觉、语言与动作的全新能力

传统的视觉语言（VL）模型主要关注图像与文本信息的理解，而Magma则在此基础上进一步拓展，加入了空间与时序智能，赋予AI更强的行动决策能力。

微软研究院团队指出，Magma在视觉理解和语言理解的基础上，又让AI具备了在视觉空间世界进行动作规划与执行的能力。

这意味着，Magma能够胜任从UI界面导航到机器人精准抓取与移动等更多“跨界”任务。

Magma的核心创新在于其独创的两大标注方法：

1、Set-of-Mark（SoM）

该方法为任务中需要关注的关键对象（如网页中的可点击元素或餐桌上的摆放物品）提供了一组高层次的“关注标记”。通过对这些目标进行精准定位，Magma能够更有效地捕捉任务的核心要素，从而为后续动作规划奠定基础。

微软研究院的研究还显示，SoM对UI导航、机器人和人类视频都有统一的操作标记作用，让模型能快速识别并锁定可交互目标。

2、Trace-of-Mark（ToM）

不仅是静态标记，ToM方法还扩展到动态视频场景中，通过对物体运动轨迹的标注，捕捉到动作的时序变化。

无论是机器人抓取物体时的手臂轨迹，还是人类在视频中的动态操作，ToM都能帮助模型理解任务的时序逻辑，预测未来状态，进而作出更加精准的决策。

研究团队表示，相比直接进行下一帧预测，ToM用更少的token就可捕捉更长时间跨度的动作语义，从而让Magma更能关注关键动作细节。

那么，Magma的实际表现如何呢？

概括而言，它在零样本智能与跨领域应用方面拥有强悍表现。

在多项测试中，包括UI导航、机器人操作与视频理解，Magma无需针对特定领域进行额外微调，就能交出令人满意的表现。

此外，研究团队还对多个模型（包括ChatGPT在内）做了零样本评估，结果显示预训练好的Magma是唯一能完成所有测试任务的模型。

而Magma的跨领域优势表现在以下几个方面：

UI导航场景：在Mind2Web、AITW等网页或移动设备界面导航任务中，Magma仅需少量微调（few-shot）就可以取得非常突出的成绩；
机器人任务：在WidowX机械臂真实操作和LIBERO中进行少样本微调，Magma同样大幅领先于其它对比模型，尤其在软物体操作和精确摆放任务中表现稳定。研究者还指出，在预训练阶段去除SoM和ToM标注后，Magma的性能显著下降，这说明这两大关键标注策略对模型的通用性和表现力至关重要；
跨实体模拟：在Google Robots和Bridge任务中，Magma也展现了强大的跨实体泛化能力，能胜任不同种类物品的抓取与摆放。

与此同时，其多模态理解能力体现在：

在视频理解和对话场景中，Magma所需的视频指令调优数据量并不大，却在大多数基准测试上与Video-Llama2、ShareGPT4Video等先进方法相当甚至超越。

它不仅能描述视频内容，还能对下一步动作进行合理的预测和推断。

据介绍，Magma使用大规模异构视觉语言（VL）数据集预训练，包含3900多万条样本，覆盖图像、视频以及机器人动作轨迹等多种形式，并采用ConvNeXt-XXL作为视觉骨干网络和Llama-3-8B作为语言模型。

目前团队已经将Magma以MIT许可证在GitHub上开源，同时也在Hugging Face上提供了部分模型权重和示例，方便开发者快速上手。