4月13日消息，马斯克的大模型创企xAI推出了其首款多模态大模型Grok-1.5V。


这是OpenAI的大语言模型劲敌之一。如今，除了文本功能外，Grok现在还可以处理各种各样的视觉信息，包括文档、图表、屏幕截图、照片，并能进行多学科推理。


xAI重点展示了Grok-1.5V的7个示例，包括：将手绘图表转换成Python代码、看食品标签计算卡路里、根据孩子的绘画讲个睡前故事、解释梗图、将表格转换成csv格式、为生活日常问题答疑解惑、解决代码问题。


至此，xAI正式加入前沿多模态大模型的竞赛。


与GPT-4V、Claude 3 Sonnet、Claude 3 Opus、Gemini Pro 1.5相比，Grok-1.5V的表现不相上下，在一些基准测试中略胜一筹。



尤其是在RealWorld，在用于衡量真实世界空间理解能力的QA基准测试中，Grok明显优于同类模型。xAI团队对Grok理解物理世界的能力感到特别兴奋。对于上面的数据集，该团队在没有思维链提示的情况下在零样本设置中评估Grok。


xAI宣布向社区发布RealWorldQA基准测试，计划随着其多模态模型的改进而扩展它。RealWorldQA在CC BY-ND 4.0下发布，数据集大小为677MB。


初版RealWorldQA由700多张图片组成，每张图片都有一个问题和易于验证的答案。该数据集包括从汽车上拍摄的匿名图像，以及其他真实世界的图像。xAI放出了4个示例，其中有两张图都是由汽车前置摄像头拍摄的。‍‍


数据集地址：https://creativecommons.org/licenses/by-nd/4.0/?ref=chooser-v1


自2023年11月推出聊天机器人Grok以来，马斯克的xAI一直在追赶OpenAI的步伐。在刚刚过去的1个月内，xAI相继宣布将Grok-1开源、推出128k长文本Grok-1.5、推出Grok-1.5V多模态大模型三项重要进展。


Grok-1.5V将很快提供给其早期测试者和现有的Grok用户。


xAI展示了Grok-1.5V的7个示例：


一、看图表草图，写代码


用户拿出一张手绘的流程图，问Grok能否将其转换成Python代码。



Grok回复：


“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。下面是表示流程图中逻辑的Python代码：”



“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。”


二、计算卡路里


用户问：“5片这个有多少卡路里？”



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。”


三、根据绘画讲一个睡前故事



根据上图，Grok讲出这样一个睡前故事：



“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。蒂米和他的家人住在一个舒适的小房子里，他最喜欢的就是探索周围的世界。


在一个阳光明媚的日子，蒂米决定去附近的森林探险。他带上了他最喜欢的零食、一个指南针，还有他那本可靠的笔记本，用来画下他将要看到的所有令人兴奋的事情。


当蒂米向森林深处冒险时，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，以至于蒂米决定造一艘小纸船，作为对森林精灵的特殊信息，顺流而下。


蒂米小心翼翼地折起他的纸船，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，看着它漂走，带着他的友谊和对自然的爱的信息。


当太阳开始下山时，蒂米知道是时候回家了。他很感激在森林里度过的神奇的一天，他知道他会永远把这次冒险的记忆记在心里。


回到家，蒂米把他的故事告诉了他的家人，他们很高兴听到他在森林里神奇的一天。他们都认为提米的勇敢和善良的精神是一个真正的鼓舞，他们知道他将继续有更多的奇妙的冒险在未来。


于是，带着一颗充满爱的心和一个充满梦想的头脑，蒂米慢慢地睡着了，渴望发现在他想象的世界里有什么新的冒险在等着他。”


四、解释一个梗图



给Grok上面这张梗图，它也能“秒懂”：



“这张图片是对初创公司和大公司的幽默比较。在左边标有‘初创公司’的地方，有一群人在一起挖洞。他们都在积极参与，这个洞已经相当深了。


在右边标有‘大公司’的地方，有一群人站在一个洞周围。然而，与创业方不同的是，实际上只有一个人在挖洞，而其他人则在观看或从事其他活动。


这幅图中的幽默来自于对初创公司和大公司之间差异的夸大。在创业公司，通常有一种紧迫感，每个人都被期望直接为手头的任务做出贡献。相比之下，大公司通常被描述为有更多的官僚主义，并且每个项目中所有团队成员的直接参与较少。”


五、将表格转换成csv


用户可以要求Grok将这张表格转换成csv。



Grok随即输出以纯文本格式显示的CSV：



六、帮忙清理甲板上的烂木头


Grok也能用于解决生活日常问题。当用户发送一张照片，询问：“这些洞出现在我甲板上的螺丝周围。它烂了吗？我应该换电路板吗？”



Grok回复说：


“看来你甲板上的木头已经开始腐烂了。螺丝周围有洞表明了这一点，这是木头腐烂的常见迹象。


为确保甲板的安全和使用寿命，建议更换受影响的甲板。这将有助于防止甲板进一步受损，并保持其结构完整性。


如果您不确定如何继续更换板，咨询专业的甲板建造商或承包商可能会有所帮助。他们将能够评估损坏的程度，并为您的甲板提供最佳行动方案的专家建议。”


七、解决代码问题



让Grok写Python代码解决上面的问题，Grok的输出如下：



xAI团队认为，推进多模态理解和生成能力是构建能够理解宇宙的有益AGI的重要步骤。在接下来的几个月里，xAI预计将在图像、音频、视频等各种模态上对这两种功能进行重大改进。


同时，xAI还贴出招聘链接，邀请更多设计师、工程师、产品、数据、Infra、AI导师加入。



值得一提的是，LLaVA一作、美国威斯康星大学麦迪逊分校博士柳昊天今日宣布加入xAI团队：“我很高兴和一个小而专注的团队一起工作，看看我们能有多快！这仅仅是个开始。”‍



LLaVA是第一个在图像理解和推理方面具有类似GPT-4V级别能力的开源大模型。结合AI Agent，柳昊天联合清华大学的刘世隆等人去年11月又提出了LLaVA-Plus，使用插件（视觉工具）提升多模态大语言模型的视觉能力。


LLaVA-Plus一作、清华大学计算机系博士生刘世隆将出席下周五（4月19日）在北京举行的2024中国生成式AI大会并分享观点。


本文来自微信公众号：智东西（ID：zhidxcom），作者：ZeR0