Grok大模型终于能看懂图像了。

设想一下，如果我们能够将所有LaTeX时代之前的文本资料输入到先进的大型语言模型（LLM）中，并从中获得格式规范的LaTeX文档库，这无疑将极大地推动科学文献的数字化进程和标准化工作。对于科研工作者而言，这不仅仅是技术层面的飞跃，它更标志着知识管理和信息传播方式的一次重大变革。

马斯克旗下的人工智能公司xAI发布的Grok大模型有助于实现这一目标——在经历了最近的一次更新后，Grok大模型终于能看懂图像了，甚至还能做公式OCR、解释笑话。

AI销售和营销自动化平台Amplemarket创始人LuisBatalha在试用后表示：借助Grok，他能把理论物理学家Feynman博士论文中的公式转换成LaTeX。

转化之前的文本长这样：

可以看出，里面的公式基本都是手写的，肉眼辨认尚有难度。而Grok可以把它们转化成如此工整的结果，而且准确率令人惊叹。

图源：https://x.com/luismbat/status/1850925670408544355

这个帖子吸引了众多研究人员的关注，整个帖子的浏览量已经突破100万。

还有人晒出了自己用Grok识别出的18世纪文件：

在识别其他图像方面，Grok表现也非常不错。比如网友上传了一张手表的照片，Grok根据表壳形状和表带设计猜出了表的品牌（对手表有研究的读者可以看下猜得对不对）。

你还可以让Grok点评图片，它能从时尚、风格、表情等多个角度进行描述。比如针对下面这张图，Grok回答：「图片中描述了一位动漫风格的人物，这位人物拥有中等长度的棕色头发，戴着眼镜，并且正在弹奏贝斯吉他。该角色展现了一种休闲、现代的造型，穿着一件格子衫外套和深色裤子，以及带有红色装饰的白色运动鞋。这种装扮表明这是一个年轻的、可能还在上学的角色，给人一种悠闲的艺术氛围……」

图源https://x.com/ItsZeramy/status/1850810276784054313

马斯克表示，Grok其实也可以用来解释笑话（梗图）。

今年三月，Grok-1正式亮相，在数学、推理等能力上取得了不错的成绩。之后，xAI迅速推出Grok1.5，新一代模型实现了长上下文理解和高级推理能力。8月，Grok2上线，在常识、数学竞赛问题(MATH)、研究生水平科学知识(GPQA)等领域与其他前沿模型相媲美。

如今，在xAI不断完善下，大家终于可以体验Grok的图像理解能力了。为了验证各路网友的说法，机器之心在第一时间进行了测试。

公式OCR能力实测

首先，机器之心测试了一下Grok对公式的处理能力。我们输入经典论文《AttentionIsAllYouNeed》中的一张公式截图，要求转换成LaTeX代码。

输入的公式截图，对应论文中的公式（1）。

然后，我们将LaTeX表达式输入到在线LaTeX公式编辑器中进行转换，比对之后发现结果完全正确。

公式来源：https://arxiv.org/pdf/1706.03762

之后，我们上了点难度，用手写公式进行测试，输入的公式截图看起来不是很规范，但Grok还是给出了结果。

梗图理解能力实测

接着，我们再看看Grok对图片的理解能力。

不知大家是否get到小女孩吃蛋糕这张图的笑点。如果没有，当你看完Grok的解释，有种恍然大悟的感觉。

不过，Grok并不是总懂幽默。我们输入如下图片，图片原来的意思应该是想表达打工人的一天似乎都很疲惫，但到了深夜却格外精神。但Grok给出的结果并不是。

经过测试，我们还发现Grok对图片中的中文理解的不是很好，比如错把中文字符「我的精神状态」转换成「敌人的精神状态」。

Grokvs.ChatGPT，谁的识图能力更强？

虽然识图是Grok的新功能，效果也很惊艳，但在众多AI模型中，这实在算不上一项新颖的功能。因此，有人在马斯克的评论区发出灵魂拷问，「Grok到底进展到什么程度了？感觉远远落后于ChatGPT啊」。对此，马斯克耐心回复说，「我们只用了几个月就完成了其他人花了几年时间的工作。」言下之意似乎是不着急，慢慢打磨新功能。

还有网友上传了一张饮料图片，让Grok和ChatGPT进行回答。从上传的资料来看，图片内容并不清晰，而且还不是中文，对于不懂外语的小伙伴可能有点难度。但是Grok和ChatGPT都给出了回答。

Grok回答：图片中的饮料是「백세주（Baekseju）」，这是一种传统的韩国酒精饮料。它是一种用人参和其他草药浸泡的米酒，以其假定的健康益处而闻名。瓶子上的标签显示了D，这可能是Baekseju的某个特定品牌或变种。由于其浓烈的风味和药用属性，通常只消费少量。

ChatGPT回答：这款饮料是Bacchus-D，一种在韩国流行的能量饮料。它通常包含咖啡因、牛磺酸和维生素B2、B6、B12，这些成分被认为可以提升能量水平。在韩国，它常被用作快速提神的饮品。

熟悉这款饮料的小伙伴，可以点评一下，这两个模型，哪个回答的更好。

图源：https://x.com/chrisfirsttt/status/1850745853843001418

对于Grok没有理解的梗图，我们在ChatGPT上也做了测试。ChatGPT的回答明显更胜一筹，中文识别能力也更强。

经过一番测试以及网友给出的示例来看，Grok在输出LaTeX表达式方面确实不错，对图片中出现的主体和场景解释的非常到位，但对梗图的解释时好时坏，有时能完全解释笑点，有时会解释错误，此外，Grok对中文字符的识别能力也不是很好。

最后提醒大家一下，Grok并不是免费的，付费用户才能体验。可以使用的小伙伴，可以进行测试了。

地址：https://x.com/i/premium_sign_up?referring_page=grok

未经允许不得转载：头条资讯网_今日热点_娱乐才是你关心的时事 » 古早费曼论文手写公式也能转LaTeX，马斯克Grok功能上线就火了