馬斯克新作！Grok-1.5V多模態(tài)模型震撼發(fā)布：數(shù)字與物理世界完美融合
馬斯克的第一代多模態(tài)模型Grok-1.5V，終于來了！
Grok 1.5V，號稱是能連接數(shù)字世界和物理世界。
除了文本功能，它還能處理文檔、圖標(biāo)、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(xué)家Jim Fan發(fā)現(xiàn)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(fù)雜場景，用規(guī)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(yōu)勢是，具有高度成熟的數(shù)據(jù)管線，因此，就不難用高質(zhì)量的人類解釋痕跡來標(biāo)記大量邊緣案例，在多模態(tài)FSD推理上，微調(diào)Grok的表現(xiàn)就很有可能會遠勝于GPT-4V和Gemini。
你可能會說，以前Wayve的LINGO-1不是也有類似的想法么？但別忘了，特斯拉正在旋轉(zhuǎn)的，是一個無與倫比的數(shù)據(jù)飛輪，規(guī)模遠超以前。
馬斯克也適時地出現(xiàn)在了留言區(qū)，進一步解釋道——
有兩種數(shù)據(jù)源可以無限擴展，合成數(shù)據(jù)和真實世界視頻。前者存在一個真?zhèn)蔚膯栴}，而后者則不存在。
有網(wǎng)友表示，好家伙，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(tài)模型，始終如一地推斷世界模型。
模型能力
在xAI的官網(wǎng)上，對于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(tài)模型對打。
無論是多學(xué)科推理，還是文檔理解、科學(xué)圖表、表格、截圖和照片等多個領(lǐng)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(xiàn)出的卓越能力。
在RealWorldQA基準(zhǔn)測試中，沒有思維鏈提示、零樣本設(shè)置的情況下，用以下數(shù)據(jù)集對Grok進行評估，可以看到Grok的表現(xiàn)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(xiàn)。
1. 根據(jù)圖表編寫代碼
下圖給出了一個簡單的猜謎游戲的流程圖，Grok可以根據(jù)流程圖具體內(nèi)容，使用python代碼實現(xiàn)該流程。
用戶：
你能把它翻譯成Python代碼嗎？
Grok：
當(dāng)然！這張流程圖描述了一個簡單的猜謎游戲，其中計算機生成一個隨機數(shù)，而用戶需要猜出它是什么。下面是表示流程圖中邏輯的Python代碼：
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()這段代碼將運行流程圖中描述的猜謎游戲。在用戶猜出正確數(shù)字之前，系統(tǒng)會一直提示用戶輸入猜測的數(shù)字。
2. 計算卡路里
根據(jù)食品的營養(yǎng)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(shù)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，那么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(shù)：20卡路里x5片=100卡路里。
3. 從繪畫到睡前故事
Grok可以根據(jù)畫作的內(nèi)容，講述一個簡短的睡前故事。
比如下面這個隨筆涂鴉：
用戶：
這是我兒子畫的，你能根據(jù)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里，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里，Timmy決定去附近的森林探險。他準(zhǔn)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。
深入森林后，Timmy發(fā)現(xiàn)了一條在陽光照耀下閃閃發(fā)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，并在上面畫了一個笑臉，寄托了他對森林精靈的喜愛和祝福。隨后，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，家人聽后都感到非常高興，并相信他未來定會經(jīng)歷更多精彩的冒險。
于是，帶著滿心的愛與夢想，Timmy慢慢進入了夢鄉(xiāng)，期待在他的想象世界里探索新的冒險。
4. 看懂梗圖
下面這張梗圖，左邊是初創(chuàng)公司，右邊是大公司，講的是什么意思呢？
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(chuàng)企業(yè)和大公司在工作方式上的差異。
在左側(cè)的「初創(chuàng)企業(yè)」里，一群人齊心協(xié)力挖掘一個深洞，每個人都在積極地參與。
而在右側(cè)的「大公司」里，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于夸大了兩種組織形態(tài)的不同。
初創(chuàng)企業(yè)通常會讓每個人都直接參與到核心任務(wù)中，而大公司則可能因為其龐大的結(jié)構(gòu)和官僚體制，使得團隊成員無法接觸到項目的每一個細節(jié)。
5. 將表格轉(zhuǎn)換為CSV
Grok可以將表格內(nèi)容轉(zhuǎn)換成CSV格式。
用戶：
請將這個表轉(zhuǎn)換為CSV格式。
Grok：
圖像中的表格可以轉(zhuǎn)換成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請注意，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么辦？
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(xiàn)了這些洞。是腐爛了嗎？我應(yīng)該更換木板嗎？
Grok：
這些木板似乎已經(jīng)開始腐爛。從螺絲周圍出現(xiàn)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并延長使用的壽命，建議你更換那些已經(jīng)受損的木板。這樣做可以避免地板進一步的損害，并保持其結(jié)構(gòu)的穩(wěn)固。
如果你不知道如何更換木板，可以尋求專業(yè)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，并為你提供關(guān)于地板維護的專業(yè)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]:
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對現(xiàn)實世界的理解
開發(fā)有用的現(xiàn)實世界AI助手，提高模型對物理世界的理解是至關(guān)重要的。
為了實現(xiàn)這一目標(biāo)，研究團隊還推出了一個新的基準(zhǔn)——RealWorldQA。
該基準(zhǔn)可以用于評估多模態(tài)模型對于基本現(xiàn)實世界空間的理解能力。
雖然當(dāng)前基準(zhǔn)中的許多示例對人類來說理解比較容易，但對于前沿模型來說還是具有一定的挑戰(zhàn)性。
最初發(fā)布的RealWorldQA包含700多張圖片，每張圖片都有一個問題和易于驗證的答案。
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(dāng)前車道可以去哪里？A.左轉(zhuǎn) B.直走 C.左轉(zhuǎn)直行 D.右轉(zhuǎn)
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(shù)據(jù)集還包括從車輛上拍攝的匿名圖像。
研究團隊將該數(shù)據(jù)集進行了開源，并希望隨著多模態(tài)模型的改進而不斷擴展該數(shù)據(jù)集。
最后，xAI官網(wǎng)總結(jié)道，憑著提高多模態(tài)理解和生成能力，它們將逐漸逼近構(gòu)建能夠理解宇宙的有益AGI。
而接下來幾個月里，估計我們還會看見圖像、音頻、視頻等多模態(tài)上，這兩項能力的重大改進。
