马斯克xAI的多模态模型Grok-1.5V横空出世了!不仅多项基准测试超越GPT-4V,而且看懂梗图写Python代码也都不在话下。并且,为了评估模型对于真实世界的空间理解,xAI此次还推出了新基准RealWorldQA。

马斯克的第一代多模态模型Grok-1.5V,终于来了!

Grok 1.5V,号称是能连接数字世界和物理世界。

除了文本功能,它还能处理文档、图标、屏幕截图和照片之类的各种视觉信息。

很快,所有早期测试者和所有Grok用户就能用上Grok 1.5V了。

英伟达高级科学家Jim Fan发现了Grok-1.5V的「最大亮点」:在他看来,Grok-1.5V最令人感兴趣的,就是解决自动驾驶边缘案例的潜力。

如果使用语言进行「思维链」,帮助汽车分解复杂场景,用规则和反事实进行推理,解释其决策,Grok-1.5V就能将像素->动作映射提升为像素->语言->动作。

由此,特斯拉FSD V13就很有可能会理解语言Token!

特斯拉的优势是,具有高度成熟的数据管线,因此,就不难用高质量的人类解释痕迹来标记大量边缘案例,在多模态FSD推理上,微调Grok的表现就很有可能会远胜于GPT-4V和Gemini。

你可能会说,以前Wayve的LINGO-1不是也有类似的想法么?但别忘了,特斯拉正在旋转的,是一个无与伦比的数据飞轮,规模远超以前。

图片

马斯克也适时地出现在了留言区,进一步解释道——

有两种数据源可以无限扩展,合成数据和真实世界视频。前者存在一个真伪的问题,而后者则不存在。

图片

有网友表示,好家伙,这听起来是通往AGI最可行的路径了!具有显式语言推理的多模态模型,始终如一地推断世界模型。

图片

模型能力

在xAI的官网上,对于Grok-1.5V是这样介绍的。

它可以和GPT-4V、Claude 3 Sonnet、Claude 3 Opus等这些最顶尖的多模态模型对打。

无论是多学科推理,还是文档理解、科学图表、表格、截图和照片等多个领域,Grok-1.5V都和它们有的一拼。

尤其令人惊喜的,是它在理解物理世界时表现出的卓越能力。

在RealWorldQA基准测试中,没有思维链提示、零样本设置的情况下,用以下数据集对Grok进行评估,可以看到Grok的表现比同类模型更好。

下面7个具有代表性的例子,更说明了Grok 1.5V在不同场景中的良好表现。

1. 根据图表编写代码

下图给出了一个简单的猜谜游戏的流程图,Grok可以根据流程图具体内容,使用python代码实现该流程。

图片

用户:

你能把它翻译成Python代码吗?

Grok:

当然!这张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,而用户需要猜出它是什么。下面是表示流程图中逻辑的Python代码:

import random
def guess_number(): # Generate a random number between 1 and 10
    target = random.randint(1, 10)
    while True:
        guess = int(input("Guess a number between 1 and 10: "))
        if guess == target:
            print("You won!")
            break
        else:
            print("Wrong guess, try again!")
if __name__ == "__main__":
    guess_number()
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.

这段代码将运行流程图中描述的猜谜游戏。在用户猜出正确数字之前,系统会一直提示用户输入猜测的数字。

2. 计算卡路里

根据食品的营养配料表,Grok可以知道该食品一份份量是3片、含有60卡路里的热量,由此计算出,用户给出5片该食品的卡路里总数是100。

图片

用户:

5片含有多少卡路里?

Grok:

如果一份包含3片,总热量为60卡路里,那么5片的热量大约是100卡路里。

首先,确定每片的热量:60卡路里÷3片=20卡路里/片。

接着,将每片的热量乘以片数:20卡路里x5片=100卡路里。

3. 从绘画到睡前故事

Grok可以根据画作的内容,讲述一个简短的睡前故事。

比如下面这个随笔涂鸦:

图片

用户:

这是我儿子画的,你能根据他的画讲一个睡前小故事吗?

Grok:

很久很久以前,在一个充满冒险与奇迹的土地上,生活着一个勇敢的小男孩,名叫Timmy。他与家人住在一个温暖的小屋里,最喜欢的事情就是探索周围的世界。

在一个阳光明媚的日子里,Timmy决定去附近的森林探险。他准备了自己最爱的零食、一只指南针和一本信赖的笔记本,用来记录他即将见到的所有奇妙事物。

深入森林后,Timmy发现了一条在阳光照耀下闪闪发光的神奇河流。河流的迷人景致让他决定做一只小纸船,把它放在水面上,作为对森林精灵的一份特别的问候。

Timmy小心翼翼地折好纸船,并在上面画了一个笑脸,寄托了他对森林精灵的喜爱和祝福。随后,他轻轻地把纸船放在河流中,目送它随水漂流而去。

夕阳西下,Timmy知道该回家了。他回想起在森林中度过的这一天,知道这段美好的记忆将永远伴随着他。

回到家,Timmy向家人讲述了他的冒险,家人听后都感到非常高兴,并相信他未来定会经历更多精彩的冒险。

于是,带着满心的爱与梦想,Timmy慢慢进入了梦乡,期待在他的想象世界里探索新的冒险。

4. 看懂梗图

下面这张梗图,左边是初创公司,右边是大公司,讲的是什么意思呢?

小编第一眼是没看懂。看完Grok的解释,才恍然大悟。

用户:

我不是很理解这幅图,请解释一下。

Grok:

这幅图幽默地展示了初创企业和大公司在工作方式上的差异。

在左侧的「初创企业」里,一群人齐心协力挖掘一个深洞,每个人都在积极地参与。

而在右侧的「大公司」里,只有一人在挖洞,其他人只是在旁边看着。

这幅图的幽默之处在于夸大了两种组织形态的不同。

初创企业通常会让每个人都直接参与到核心任务中,而大公司则可能因为其庞大的结构和官僚体制,使得团队成员无法接触到项目的每一个细节。

5. 将表格转换为CSV

Grok可以将表格内容转换成CSV格式。

用户:

请将这个表转换为CSV格式。

Grok:

图像中的表格可以转换成CSV格式,如下所示:

medal,name,sport,event,date
21 gold,El Amin Chentouf,Athletics,Men's marathon - T13,11 September
31 gold,Mohamed Amguoun,Athletics,Men's 400m - T13,15 September
41 gold,Azeddine Nouiri,Athletics,Men's shot put - T34,15 September
52 silver,Mahdi Afri,Athletics,Men's 400m - T12,9 September
62 silver,El Amin Chentouf,Athletics,Men's 5000m - T13,15 September
73 bronze,Mahdi Afri,Athletics,Men's 200m - T12,17 September
83 bronze,Mohamed Lahna,Paratriathlon,Men's PT2,10 September
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.

请注意,CSV格式不支持样式或格式化,因此信息以纯文本格式显示。

6. 地板上的腐烂木头,都能给出建议

地板上的木材腐烂了怎么办?

照片拍给Grok,它可以帮我们判断腐烂情况,还能给出合理的处理建议。

图片

用户:

我地板上的螺丝周围出现了这些洞。是腐烂了吗?我应该更换木板吗?

Grok:

这些木板似乎已经开始腐烂。从螺丝周围出现的孔洞可以看出,这是木材腐烂的典型迹象。

为了确保地板的安全并延长使用的寿命,建议你更换那些已经受损的木板。这样做可以避免地板进一步的损害,并保持其结构的稳固。

如果你不知道如何更换木板,可以寻求专业地板建造商或承包商的帮助。他们会对损害的程度进行评估,并为你提供关于地板维护的专业建议。

7. 解决编码问题

编码问题,Grok-1.5V也是不在话下。

用户:

你能写出解决这个问题的Python代码吗?

Grok:

def find_triplets(nums):
    result = []
    nums.sort()
    
    for i in range(len(nums) - 2):
        if i > 0 and nums[i] == nums[i - 1]:
            continue
        
        target = -nums[i]
        left = i + 1
        right = len(nums) - 1
        
        while left < right:
            if nums[left] + nums[right] == target:
                result.append([-target, nums[left], nums[right]])
                left += 1
                right -= 1
                while left < right and nums[left] == nums[left - 1]:
                    left += 1
                while left < right and nums[right] == nums[right + 1]:
                    right -= 1
            elif nums[left] + nums[right] < target:
                left += 1
            else:
                right -= 1
    
    return result
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.

对现实世界的理解

开发有用的现实世界AI助手,提高模型对物理世界的理解是至关重要的。

为了实现这一目标,研究团队还推出了一个新的基准——RealWorldQA。

该基准可以用于评估多模态模型对于基本现实世界空间的理解能力。

虽然当前基准中的许多示例对人类来说理解比较容易,但对于前沿模型来说还是具有一定的挑战性。

最初发布的RealWorldQA包含700多张图片,每张图片都有一个问题和易于验证的答案。

例如,如果我们问它:图片中的披萨刀和剪刀哪个物体更大?

Grok给出的答案是:它们的大小差不多。

从当前车道可以去哪里?A.左转 B.直走 C.左转直行 D.右转

Grok会选A。

从轿车前方的摄像头来看,是否有足够的空间绕过前面的灰色轿车?

Grok给出的答案是:是。

从这个图片来看,恐龙是朝向哪个方向?

Grok回答:东。

除了其他真实世界的图像外,该数据集还包括从车辆上拍摄的匿名图像。

研究团队将该数据集进行了开源,并希望随着多模态模型的改进而不断扩展该数据集。

最后,xAI官网总结道,凭着提高多模态理解和生成能力,它们将逐渐逼近构建能够理解宇宙的有益AGI。

而接下来几个月里,估计我们还会看见图像、音频、视频等多模态上,这两项能力的重大改进。

Loading

作者 yinhua

发表回复