对于AI模型能否真正理解现实世界，一直是行业内的一大痛点和难题。不过，埃隆·马斯克旗下的AI公司xAI可能要改变这一局面了。
他们最新推出的多模态大模型Grok-1.5 Vision，不仅能像GPT-4那样自如驾驭自然语言，还能理解文档、图表、图像等视觉信息。更猛的是，Grok在视觉理解能力上直接将GPT-4等对手虐惨了!
xAI公司声称，Grok-1.5V在理解复杂科学图表、工程流程图等方面的能力，要强于包括GPT-4、谷歌AI、OpenAI模型在内的主流对手。而且它作为一个专门为处理多模态输入而训练的统一大模型，在融合文字和图像信息时可能更具优势。
Grok-1.5V在理解现实物理世界的能力上的表现出色，xAI专门推出了RealWorldQA测试数据集，里面700多个场景图像对人类来说很直观，但对AI模型来说是大考验。
结果显示，在零示例提示的情况下，Grok-1.5V在这个测试中盖过了GPT-4、Claude等对手，成绩遥遥领先。它不仅能从流程图生成可执行代码，还能对现实生活中各种图像场景作出合理解释，展现出惊人的物理世界理解实力。
马斯克自诩推进科技进步的"文艺复兴人"，毕竟对现实世界的理解，是未来AI真正为人类社会服务的基石。
xAI宣布，将很快向现有Grok用户和少量幸运儿开放Grok-1.5V的使用权限，但名额肯定是非常有限的。如果你手气不错被选中，就能先睹为快这款多模态怪兽级AI的真实实力了，看看它的视觉理解能力是否如宣传的那么逆天。
当然，要全面评测Grok-1.5V的表现还需等待更广泛公开上线。
