马斯克旗下的人工智能公司 xAI 宣布推出 Grok 1.5V。
当地时间 4 月 12 日，xAI 在 X 平台发布了 “Grok-1.5 Vison” 版本的预告，并同时宣告，公司正在湾区招募设计师、工程师、产品、数据、架构和标注师等职位。
从预告页面的介绍和发布的七个例子能看出来，Grok-1.5V 版本主打多模态视觉信息处理，对标 GPT-4，强调 “理解物理世界的能力” 。
据介绍，作为 xAI 公司的第一代多模态 AI 模型，Grok-1.5V 不仅能够处理文本信息，更能够处理包括文档、图表、截图和照片在内的各种视觉信息。这一创新性的功能扩展，使得 Grok-1.5V 能够更全面地理解并解析现实世界中的复杂信息。
xAI 在官方新闻稿中演示了 7 个 Grok-1.5V 案例，包括用户可以通过上传流程图照片，让模型将其转化为 Python 代码；或者根据一幅图画编写故事；甚至解释难以理解的网络迷因。这些功能不仅提升了 AI 模型的实用性，也展现了 xAI 在人工智能领域的创新实力。
不仅如此，xAI 专门推出了 RealWorldQA 测试数据集，里面 700 多个场景图像对人类来说很直观，但对 AI 模型来说是大考验。在 RealWorldQA 基准测试中，Grok-1.5V 比 GPT-4V、Claude 3Sonnet、Claude 3 Opus 和 Gemini Pro 1.5 等主流竞争对手更为优异。
尤其在新推出的 “RealWorldQA物理世界理解” 测试中，Grok-1.5V 得分 68.7%，这个能力远超行业其他模型，这个应该得益于特斯拉收集了全球最多的真实世界的视觉视觉。
x.ai 认为，提升多模态理解和生成能力是构建有益人工通用智能的关键所在。未来几个月，他们将在图像、音频、视频等更多模态上取得进一步突破。
资料来源：综合报道；图片来源：xAI
