挑战GPT4v？马斯克xAI刚刚发布Grok 1.5v

Grok-1.5V是xAI推出的首个多模态AI模型，不仅具有强大的文本处理能力，还能够处理各种视觉信息，包括文档、图表、截图和照片等。这使得Grok能够更全面地连接数字世界和物理世界。  ​Grok-1.5V在此前发布的语言模型Grok-1.5的基础上，增加了视觉处理能力。它采用了创新的架构，先提取图像或视频的特征，然后使用交叉注意力层将视觉特征与文本输入融合，实现统一的理解。 在VQAv2和NLVR2等测试视觉问答和推理能力的基准测试中，Grok-1.5V取得了最先进的结果，超越了GPT-4和Gemini-3等模型。这证明了它在多模态理解方面的强大能力。 ​  xAI认为像Grok-1.5V这样的多模态AI在现实世界应用中具有巨大潜力。例如分析医学扫描图像、理解电商产品图片，以及处理机器人和自动驾驶汽车中的视频信息等。   文章中提供了交互式演示，用户可以上传自己的图片 ………………………………