本文来自微信公众号:智东西(ID:zhidxcom),作者:ZeR0,编辑:漠影原文标题:《马斯克发布Grok-1.5V!xAI首款多模态大模型,能看图写代码、算热量》,题图来自:视觉中国
本文来自微信公众号:智东西(ID:zhidxcom),作者:ZeR0,编辑:漠影原文标题:《马斯克发布Grok-1.5V!xAI首款多模态大模型,能看图写代码、算热量》,题图来自:视觉中国
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
支持一下 修改