# Magma-8B

> 权威词条地址：https://robotics.hellobike.com/models/microsoft-magma-8b
> 所属分类：models | 最近核验日期：2025-12-10 | 技术层级：L7

## 核心摘要

microsoft 在 Hugging Face 发布的机器人模型，架构为 MagmaForCausalLM，参数规模 8.9B。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `overview_sources` | ["https://huggingface.co/microsoft/Magma-8B"] |
| `layers` | ["L7"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/microsoft/Magma-8B"}] |
| `updated` | 2025-12-10 |
| `family` | other |
| `params` | 8.9B |
| `architecture` | MagmaForCausalLM |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | mit |
| `weights_license` | mit |
| `data_formats` | ["SafeTensors"] |
| `status` | research |
| `hub_id` | microsoft/Magma-8B |
| `hub_stats` | {"downloads": 1367, "likes": 423, "as_of": "2026-10-21"} |

## 技术详解与生态说明

Magma-8B 是面向多模态 AI agents 的模型，可基于文本和图像输入生成文本，目标覆盖虚拟与真实环境中的交互。其核心技术包括 Set-of-Mark、Trace-of-Mark，并利用大量未标注视频数据学习时空 grounding 与规划能力。

模型以 Meta LLama-3 作为语言模型骨干，使用 LAION 团队训练的 CLIP-ConvneXt-XXLarge 作为视觉编码器，将图像和视频 token 与文本 token 一起输入 LLM。训练数据包括通用图像与视频 SFT 数据、教学视频、Open-X-Embodiment 机器人操作数据、SeeClick UI grounding 数据，以及 Mind2web 和 AITW UI 导航数据；机器人数据中提取 7 DoF 夹爪状态和 trace-of-mark。

评估覆盖 UI grounding、UI navigation、机器人操作、空间理解与推理、图像和视频理解等任务；机器人相关测试包含 SimplerEnv 和 WidowX real robot。模型用于研究目的，使用时需要安装定制版 transformers，并以 MIT License 发布。

## 原始核验来源 (Sources)

- [Hugging Face microsoft/Magma-8B](https://huggingface.co/microsoft/Magma-8B)