马斯克旗下xAI的多模态模型Grok-1.5V突然发布！轻松读懂梗图，对现实世界的理解力超越GPT-4V

以下文章节选自丨智东西

马斯克近期可谓大动作连连！

刚刚宣布推出开源Grok-1.0大模型，并且发布新一代Grok-1.5版本，马斯克旗下的大模型创企xAI就再次发布了一款多模态大模型Grok-1.5V。

这也是该公司首个多模态具备视觉能力的大模型，直接对标OpenAI的GPT-4V。

除了文本生成能力以外，Grok AI现在还可以处理各种各样的视觉信息，包括文档、图表、图表、屏幕截图、照片，并能进行多学科的推理任务。

xAI官方重点展示了新模式「Grok-1.5V」的7个视觉认知案例，在介绍之前让我们先来看下官方给的测评跑分成绩。

xAI晒出与GPT-4V、Claude 3 Sonnet、Claude 3 Opus、谷歌Gemini Pro 1.5相比，Grok-1.5V的表现打得有来有往，在某些基准测试项目甚至略胜一筹。

在对标业界标杆GPT-4V的成绩，大部分测评基准都有领先。

值得一提的是，在真实世界空间理解能力「RealWorldQA」的QA基准测试中，Grok明显优于其他同类模型。

自从2023年11月xAI发布AI聊天机器人Grok以来，老**团队就在不断加速追赶OpenAI的步伐。目前马斯克掌控的推特(X)平**家向Grok提供训练数据。

官方发布了一系列Grok-1.5V的实战案例：

①看图表草图，生成网页前端代码

提供一张手绘的流程图，让Grok将手绘图转换成Python代码。这里边首先需要读懂手写体内容，并创建代码规则。

Grok返回内容：

「当然!您提供的流程图描述了一个简单的猜谜游戏，其中计算机生成一个随机数，用户必须猜测它。

下面为Python代码编写的逻辑流程图。」

「这段代码将运行流程图中描述的猜谜游戏。用户将被提示输入他们的猜测，直到他们猜对了数字。」

②计算菜品的卡路里

提问：「图中这个菜谱，5片这个(菜品)一共有多少卡路里？」

Grok回复：

「如果一份是3片，含有60卡路里，那么5片就含有大约100卡路里。这是通过首先确定每片的卡路里来计算的：60卡路里/3片=每片20卡路里。然后，将每片的卡路里乘以片数：每片20卡路里×5片= 100卡路里。」

③根据图像生成一个睡前故事

根据上传的图像，Grok创作一个睡前故事。

“啪~”的一下!

很快啊~来看看这个故事你喜欢吗?

翻译：

Grok编的故事

很久很久以前，在一片充满冒险和奇迹的土地上，有一个勇敢的小男孩，名叫蒂米。蒂米和家人住在一个舒适的小房子里，他最喜欢探索周围的世界。

一个阳光明媚的日子，蒂米决定去附近的森林里冒险。他收拾了他最喜欢的零食、指南针和他值得信赖的笔记本，画下了他将要看到的所有令人兴奋的东西。

当蒂米冒险深入森林时，他发现了一条在阳光下闪闪发光的神奇河流。这条河是如此迷人，以至于蒂米决定建造一艘小纸船，顺流而下，作为对森林精灵的特殊信息。

蒂米小心翼翼地折叠他的纸船，并在上面画了一个笑脸，给森林精灵带来欢乐。然后，他把船放在河上，看着它飘走，带着他对友谊和对大自然的热爱的信息。

当太阳开始落山时，蒂米知道是时候回家了。他对自己在森林里度过的神奇一天感到感激，他知道他将永远把冒险的记忆铭记在心。

回到家里，蒂米与家人分享了他的故事，他们很高兴听到他在森林里神奇的一天。他们都认为蒂米的勇敢和善良的精神是真正的灵感来源，他们知道他将来会继续有更多精彩的冒险。

于是，带着一颗充满爱的心和一颗充满梦想的头脑，蒂米渐渐睡着了，渴望发现在他想象的世界中等待着他的新冒险。