【新智元導讀】馬斯克xAI的多模態模型Grok-1.5V橫空出世了！不僅多項基準測試超越GPT-4V，而且看懂梗圖寫Python代碼也都不在話下。並且，為了評估模型對於真實世界的空間理解，xAI此次還推出了新基準RealWorldQA。
馬斯克的第一代多模態模型Grok-1.5V，終於來了！
Grok 1.5V，號稱是能連接數字世界和物理世界。
除了文本功能，它還能處理文檔、圖標、屏幕截圖和照片之類的各種視覺信息。
很快，所有早期測試者和所有Grok用戶就能用上Grok 1.5V了。
英偉達高級科學家Jim Fan發現了Grok-1.5V的「最大亮點」：在他看來，Grok-1.5V最令人感興趣的，就是解決自動駕駛邊緣案例的潛力。
如果使用語言進行「思維鏈」，幫助汽車分解復雜場景，用規則和反事實進行推理，解釋其決策，Grok-1.5V就能將像素->動作映射提升為像素->語言->動作。
由此，特斯拉FSD V13就很有可能會理解語言Token！
特斯拉的優勢是，具有高度成熟的數據管線，因此，就不難用高質量的人類解釋痕跡來標記大量邊緣案例，在多模態FSD推理上，微調Grok的表現就很有可能會遠勝於GPT-4V和Gemini。
你可能會說，以前Wayve的LINGO-1不是也有類似的想法麽？但別忘了，特斯拉正在旋轉的，是一個無與倫比的數據飛輪，規模遠超以前。
馬斯克也適時地出現在了留言區，進一步解釋道——
有兩種數據源可以無限擴展，合成數據和真實世界視頻。前者存在一個真偽的問題，而後者則不存在。
有網友表示，好家夥，這聽起來是通往AGI最可行的路徑了！具有顯式語言推理的多模態模型，始終如一地推斷世界模型。
模型能力
在xAI的官網上，對於Grok-1.5V是這樣介紹的。
它可以和GPT-4V、Claude 3 Sonnet、Claude 3 Opus等這些最頂尖的多模態模型對打。
無論是多學科推理，還是文檔理解、科學圖表、表格、截圖和照片等多個領域，Grok-1.5V都和它們有的一拼。
尤其令人驚喜的，是它在理解物理世界時表現出的卓越能力。
在RealWorldQA基準測試中，沒有思維鏈提示、零樣本設置的情況下，用以下數據集對Grok進行評估，可以看到Grok的表現比同類模型更好。
下面7個具有代表性的例子，更說明了Grok 1.5V在不同場景中的良好表現。
1. 根據圖表編寫代碼
下圖給出了一個簡單的猜謎遊戲的流程圖，Grok可以根據流程圖具體內容，使用python代碼實現該流程。
用戶：你能把它翻譯成Python代碼嗎？
Grok：當然！這張流程圖描述了一個簡單的猜謎遊戲，其中計算機生成一個隨機數，而用戶需要猜出它是什麽。下面是表示流程圖中邏輯的Python代碼：
import randomdef guess_number(): # Generate a random number between 1 and 10target = random.randint(1, 10)while True:guess = int(input("Guess a number between 1 and 10: "))if guess == target:print("You won!")breakelse:print("Wrong guess, try again!")if __name__ == "__main__":guess_number()
這段代碼將運行流程圖中描述的猜謎遊戲。在用戶猜出正確數字之前，系統會一直提示用戶輸入猜測的數字。
2. 計算卡路里
根據食品的營養配料表，Grok可以知道該食品一份份量是3片、含有60卡路里的熱量，由此計算出，用戶給出5片該食品的卡路里總數是100。
用戶：5片含有多少卡路里？
Grok：如果一份包含3片，總熱量為60卡路里，那麽5片的熱量大約是100卡路里。 首先，確定每片的熱量：60卡路里÷3片=20卡路里/片。 接著，將每片的熱量乘以片數：20卡路里x5片=100卡路里。
3. 從繪畫到睡前故事
Grok可以根據畫作的內容，講述一個簡短的睡前故事。
比如下面這個隨筆塗鴉：
用戶：這是我兒子畫的，你能根據他的畫講一個睡前小故事嗎？
Grok：很久很久以前，在一個充滿冒險與奇跡的土地上，生活著一個勇敢的小男孩，名叫Timmy。他與家人住在一個溫暖的小屋裏，最喜歡的事情就是探索周圍的世界。
在一個陽光明媚的日子裏，Timmy決定去附近的森林探險。他準備了自己最愛的零食、一只指南針和一本信賴的筆記本，用來記錄他即將見到的所有奇妙事物。
深入森林後，Timmy發現了一條在陽光照耀下閃閃發光的神奇河流。河流的迷人景致讓他決定做一只小紙船，把它放在水面上，作為對森林精靈的一份特別的問候。
Timmy小心翼翼地折好紙船，並在上面畫了一個笑臉，寄托了他對森林精靈的喜愛和祝福。隨後，他輕輕地把紙船放在河流中，目送它隨水漂流而去。
夕陽西下，Timmy知道該回家了。他回想起在森林中度過的這一天，知道這段美好的記憶將永遠伴隨著他。 回到家，Timmy向家人講述了他的冒險，家人聽後都感到非常高興，並相信他未來定會經歷更多精彩的冒險。 於是，帶著滿心的愛與夢想，Timmy慢慢進入了夢鄉，期待在他的想象世界裏探索新的冒險。
4. 看懂梗圖
下面這張梗圖，左邊是初創公司，右邊是大公司，講的是什麽意思呢？
小編第一眼是沒看懂。看完Grok的解釋，才恍然大悟。
用戶：我不是很理解這幅圖，請解釋一下。
Grok：這幅圖幽默地展示了初創企業和大公司在工作方式上的差異。 在左側的「初創企業」裏，一群人齊心協力挖掘一個深洞，每個人都在積極地參與。
而在右側的「大公司」裏，只有一人在挖洞，其他人只是在旁邊看著。 這幅圖的幽默之處在於誇大了兩種組織形態的不同。
初創企業通常會讓每個人都直接參與到核心任務中，而大公司則可能因為其龐大的結構和官僚體製，使得團隊成員無法接觸到項目的每一個細節。
5. 將表格轉換為CSV
Grok可以將表格內容轉換成CSV格式。
用戶：請將這個表轉換為CSV格式。
Grok：圖像中的表格可以轉換成CSV格式，如下所示：
medal,name,sport,event,date21 gold,El Amin Chentouf,Athletics,Men's marathon - T13,11 September31 gold,Mohamed Amguoun,Athletics,Men's 400m - T13,15 September41 gold,Azeddine Nouiri,Athletics,Men's shot put - T34,15 September52 silver,Mahdi Afri,Athletics,Men's 400m - T12,9 September62 silver,El Amin Chentouf,Athletics,Men's 5000m - T13,15 September73 bronze,Mahdi Afri,Athletics,Men's 200m - T12,17 September83 bronze,Mohamed Lahna,Paratriathlon,Men's PT2,10 September
請註意，CSV格式不支持樣式或格式化，因此信息以純文本格式顯示。
6. 地板上的腐爛木頭，都能給出建議
地板上的木材腐爛了怎麽辦？
照片拍給Grok，它可以幫我們判斷腐爛情況，還能給出合理的處理建議。
用戶： 我地板上的螺絲周圍出現了這些洞。是腐爛了嗎？我應該更換木板嗎？
Grok：這些木板似乎已經開始腐爛。從螺絲周圍出現的孔洞可以看出，這是木材腐爛的典型跡象。 為了確保地板的安全並延長使用的壽命，建議你更換那些已經受損的木板。
這樣做可以避免地板進一步的損害，並保持其結構的穩固。 如果你不知道如何更換木板，可以尋求專業地板建造商或承包商的幫助。他們會對損害的程度進行評估，並為你提供關於地板維護的專業建議。
7. 解決編碼問題
編碼問題，Grok-1.5V也是不在話下。
用戶：你能寫出解決這個問題的Python代碼嗎？
Grok：
def find_triplets(nums):result = []nums.sort()for i in range(len(nums) - 2):if i > 0 and nums[i] == nums[i - 1]:continuetarget = -nums[i]left = i + 1right = len(nums) - 1while left < right:if nums[left] + nums[right] == target:result.append([-target, nums[left], nums[right]])left += 1right -= 1while left < right and nums[left] == nums[left - 1]:left += 1while left < right and nums[right] == nums[right + 1]:right -= 1elif nums[left] + nums[right] < target:left += 1else:right -= 1return result
對現實世界的理解
開發有用的現實世界AI助手，提高模型對物理世界的理解是至關重要的。
為了實現這一目標，研究團隊還推出了一個新的基準——RealWorldQA。
該基準可以用於評估多模態模型對於基本現實世界空間的理解能力。
雖然當前基準中的許多示例對人類來說理解比較容易，但對於前沿模型來說還是具有一定的挑戰性。
最初發布的RealWorldQA包含700多張圖片，每張圖片都有一個問題和易於驗證的答案。
例如，如果我們問它：圖片中的披薩刀和剪刀哪個物體更大？
Grok給出的答案是：它們的大小差不多。
從當前車道可以去哪裏？A.左轉 B.直走 C.左轉直行 D.右轉
Grok會選A。
從轎車前方的攝像頭來看，是否有足夠的空間繞過前面的灰色轎車？
Grok給出的答案是：是。
從這個圖片來看，恐龍是朝向哪個方向？
Grok回答：東。
除了其他真實世界的圖像外，該數據集還包括從車輛上拍攝的匿名圖像。
研究團隊將該數據集進行了開源，並希望隨著多模態模型的改進而不斷擴展該數據集。
最後，xAI官網總結道，憑著提高多模態理解和生成能力，它們將逐漸逼近構建能夠理解宇宙的有益AGI。
而接下來幾個月裏，估計我們還會看見圖像、音頻、視頻等多模態上，這兩項能力的重大改進。
---[責任編輯:郜雪丹/新智元報導*編輯:編輯部/來源:新智元]
參考資料：https://x.ai/blog/grok-1.5v
https://twitter.com/DrJimFan/status/1779558822543229221
