【多模态】Magma多模态AI Agent

1. 前言

        微软杨建伟团队，最近在AI Agent方面动作连连，前两天开源了OmniParser V2，2月26日又开源了Magma，OmniParser专注在对GUI的识别解析，而Magma则是基于多模态技术，能够同时应对GUI和物理世界的交互，两者有一定的差异。后续也会带来OmniParser的实战分享，目前还在实测中。

        话不多说，先看下Magma能做什么？                主要是两类任务：

• 多模态理解（Multimodal Understanding）：能够理解来自不同领域（包括数字世界和物理世界）的多模态输入，不仅在语义层面，还具备空间和时间上的理解能力。
• 多模态动作预测（Multimodal Action Prediction）：能够将长时序任务分解为精准的动作序列，使 AI  Agent系统能够有效执行。

2. Magma是什么

        Magma 是一个多模态 AI  Agent的基础模型。具备感知多模态世界的能力，并能够执行目标驱动的行动。也就是说，Magma主要是实现以下目标：

• 语言和时空智能：具备语言理解能力和时空智能，以理解图像和视频，将自身行动建立在观察的基础上，并进一步将外部目标转化为行动计划和执行方案。
• 数字与物理世界：不局限于数字世界（如网页导航）或物理世界（如机器人操作），能够跨越这两个世界，就像人类一样自由切换和适应。

        基于上述理念，Magma构建了一个新的预训练数据集，其中主要包含来自真实世界的无标签视频，以及现有的带注释的智能体数据。同时，设计一种新的预训练框架，统一训练三种模态（文本、图像和动作），以训练一个全新的多模态 AI  Agent基础模型——Magma。

        可以看到，Magma是直接训练一个通用的基础模型，使其能够以零样本（zero-shot）方式适应不同的下游任务。但是简单地组合这些数据集并不能直接提升模型能力，因为多模态理解主要依赖文本（例如图像和视频的文本描述），而执行动作任务主要依赖空间信息（如 UI 的 2D 坐标或机器人手臂的 7-DoF 运动）。为了解决该问题，需要具备两种任务的能力：

• 动作对齐（Action Grounding）：模型需在给定视觉-空间观察的情况下预测下一步可能的可执行动作。
• 动作规划（Action Planning）：基于视觉观察生成合理的未来动作序列。

3. 怎么预训练Magma

        训练Magma，需要大规模异构训练数据，包括现有的多模态理解数据、UI 导航数据、机器人操作数据，以及无标签的真实世界视频。此外，也提出了一种新的数据采集流程，以可扩展且低成本的方式收集无标签视频。为了从原始视频和机器人轨迹中提取有用的动作监督信号，需要精确去除视频中的摄像机运动，然后将物体的运动转换为“动作”监督信号，用于模型训练。这些数据为模型提供独特的学习信号，帮助它理解跨模态关联，并提升其长时序动作预测与规划能力。

        此外，由于文本和动作在本质上存在巨大差异（文本是离散的，而视觉 token 是连续的），这导致了跨模态学习的鸿沟。为了解决这一问题，提出一种通用预训练框架，统一训练文本、图像和动作三种模态。更具体地说，提出了Set-of-Mark（SoM）和 Trace-of-Mark（ToM）作为辅助任务，使不同输出模态之间建立桥梁。不仅增强文本与动作模态之间的对齐，还促进了图像与动作模态的结合，从而实现更好的多模态协同理解和决策能力。

4. 安装Magma以及测试

clone项目到本地：

git clone https://github.com/microsoft/Magma

cd Magma

创建并激活conda环境

conda create -n magma python=3.10 -y

conda activate magma

升级 pip 并安装基础依赖

pip install --upgrade pip

pip install -e .

安装训练所需的依赖

pip install -e ".[train]"

安装agent相关的依赖

pip install -e ".[agent]"

使用 Huggingface Transformers 进行推理

加载模型和处理器：

from PIL import Image
import torch
from transformers import AutoModelForCausalLM
from transformers import AutoProcessor dtype = torch.bfloat16
model = AutoModelForCausalLM.from_pretrained("microsoft/Magma-8B", trust_remote_code=True, torch_dtype=dtype)
processor = AutoProcessor.from_pretrained("microsoft/Magma-8B", trust_remote_code=True)
model.to("cuda")# Inference
image = Image.open("./assets/images/magma_logo.jpg").convert("RGB")convs = [{"role": "system", "content": "You are agent that can see, talk and act."},            {"role": "user", "content": "<image_start><image><image_end>\nWhat is the letter on the robot?"},
]
prompt = processor.tokenizer.apply_chat_template(convs, tokenize=False, add_generation_prompt=True)
inputs = processor(images=[image], texts=prompt, return_tensors="pt")
inputs['pixel_values'] = inputs['pixel_values'].unsqueeze(0)
inputs['image_sizes'] = inputs['image_sizes'].unsqueeze(0)
inputs = inputs.to("cuda").to(dtype)generation_args = { "max_new_tokens": 500, "temperature": 0.0, "do_sample": False, "use_cache": True,"num_beams": 1,
} with torch.inference_mode():generate_ids = model.generate(**inputs, **generation_args)generate_ids = generate_ids[:, inputs["input_ids"].shape[-1] :]
response = processor.decode(generate_ids[0], skip_special_tokens=True).strip()print(response)

5. UI Agent

        构建 UI Agent。由于模型经过 Set-of-Mark 和 Trace-of-Mark 预训练，因此它与 OmniParser 具有天然的协同作用。关于OmniParser，可以参考《OmniParserV2+DeepSeek：基于纯视觉的 GUI Agent解决方案》。将它们结合在一起后，可以获得一个 UI Agent，并运行以下命令：

python agents/ui_agent/app.py

        Magma 模型不仅具备 动作落地（action-grounding） 能力，还具备多模态理解和推理能力。因此，可以用文本让模型预测点击位置，例如：

        指令：跳转到排名最高的帖子        

        还可以自由提问，只需在文本提示的开头添加前缀 "Q:"，例如：

        Q: 帖子标题是什么？

6. 参考材料

【1】GitHub - microsoft/Magma: [CVPR 2025] Magma: A Foundation Model for Multimodal AI Agents

【2】Magma: A Foundation Model for Multimodal AI Agents