IXThinker·2025-03-11 13:20

VLA基礎模型Magma UI導航機械操作全能

現有大語言模型、圖像生成模型大多只在某幾個模態上操作，無法像人類一樣與物理世界交互。新型多模態基礎模型Magma填補這一空隙：它面向數字與物理環境，透過視覺-語言-行動（VLA）整合，實現UI導航與機械人操作全能。

VLA是甚麼

視覺-語言-行動（VLA）模型是能夠感知視覺刺激、語言輸入及其他環境相關數據的自主智能體，可在物理和數字環境中生成有意義的「具身行動」。Magma正是這一類別中的最新基礎模型。