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。