馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

王林
發布: 2024-04-15 16:01:01
轉載
883 人瀏覽過

馬斯克的第一代多模態模型Grok-1.5V,終於來了!

Grok 1.5V,號稱是能連結數位世界和實體世界。

除了文字功能,它還能處理文件、圖示、螢幕截圖和照片之類的各種視覺資訊。

很快,所有早期測試者和所有Grok用戶就能用上Grok 1.5V了。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

Jim Fan, 英偉達資深科學家,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。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

透過使用“思維鏈”,可以幫助汽車解決複雜場景,用規則和反事實進行推理,解釋其決策,Grok-1.5 V能夠將感知提升至像素級,進而促進運行映射為像素->動作。

由此,特斯拉FSD V13就很有可能會理解語言Token!

特斯拉的優勢在於,具有高度成熟的資料管理線,因此,就不難用高品質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麼?但別忘了,特斯拉正在旋轉的,是個無與倫比的資料飛輪,規模遠超過以前。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

馬斯克也適時地出現在了留言區,進一步解釋——

有兩種資料來源可以無限擴展,合成資料和真實世界影片。前者存在一個真偽的問題,而後者則不存在。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

有網友表示,好傢伙,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模型,始終如一地推論世界模型。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

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,或是文件理解、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。

尤其令人驚訝的,是它在理解物理世界時所表現出的卓越能力。

在RealWorldQA基準測試中,沒有思維鏈提示、零樣本設定的情況下,用以下資料集對Grok進行評估,可以看到Grok的表現比同類模型更好。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

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. 根據圖表寫程式碼

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程式碼實現該流程。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

用戶:

你能把它翻譯成Python程式碼嗎?

Grok:

#當然!這張流程圖描述了一個簡單的猜謎遊戲,其中電腦產生一個隨機數,而使用者需要猜出它是什麼。以下是表示流程圖中邏輯的Python程式碼:

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()
登入後複製

這段程式碼將運行流程圖中描述的猜謎遊戲。在使用者猜出正確數字之前,系統會一直提示使用者輸入猜測的數字。

2. 計算卡路里

#根據食品的營養成分錶,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,用戶給予5片該食品的卡路里總數是100。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

使用者:

#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,那麼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。

例如下面這個隨筆塗鴉:

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

#使用者:

##這是我兒子畫的,你能根據他的畫作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蹟的土地上,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裡,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裡,Timmy決定去附近的森林探險。他準備了他最喜歡的零食、一本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。河流的迷人景緻讓他決定做一隻小紙船,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,寄託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,期待在他的想像世界中探索新的冒險。

4. 看懂梗圖馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

#下面這張梗圖,左邊是新創公司,右邊是大公司,講的是什麼意思呢?

小編第一眼是沒看懂。看完Grok的解釋,才恍然大悟。

用戶:

##########我不是很理解這張圖,請解釋一下。 ###############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。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

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,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
登入後複製

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。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

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。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

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]:continuetarget = -nums[i]left = i + 1right = len(nums) - 1while left 
登入後複製

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。

為了實現這個目標,研究團隊也推出了一個新的基準-RealWorldQA。

此基準可用於評估多模態模型對於基本現實世界空間的理解能力。

雖然目前基準中的許多範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比較大?

Grok給的答案是:它們的大小差不多。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

從目前車道可以去哪裡? A.左轉 B.直行 C.左轉直行 D.右轉

Grok會選A。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

從轎車前方的攝影機來看,是否有足夠的空間繞過前面的灰色轎車?

Grok給的答案是:是。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

從這張圖片來看,恐龍是朝向哪個方向?

Grok回答:東。

馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合

除了其他真實世界的影像外,該資料集還包括從車輛上拍攝的匿名影像。

研究團隊將該資料集進行了開源,並希望隨著多模態模型的改進而不斷擴展該資料集。

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。

而接下來幾個月裡,估計我們還會看見影像、音訊、視訊等多模態上,這兩項能力的重大改進。

以上是馬斯克新作! Grok-1.5V多模態模型震撼發表:數位與實體世界完美融合的詳細內容。更多資訊請關注PHP中文網其他相關文章!

相關標籤:
來源:51cto.com
本網站聲明
本文內容由網友自願投稿,版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容,請聯絡admin@php.cn
熱門教學
更多>
最新下載
更多>
網站特效
網站源碼
網站素材
前端模板