2024 年 4 月 12 日，xAI 预览发布首代多模态模型 Grok-1.5V。官方称它在原有文本能力之外，开始处理文档、示意图、图表、截图和照片等多种视觉信息，并将很快提供给早期测试者和已有 Grok 用户。

官文说它在多学科推理、读文档和读图等方向上能跟当时的前沿多模态模型竞争，并特别强调对物理世界的理解。为此 xAI 还发布了新基准 RealWorldQA，官方称 Grok 在这项空间理解测试上超过同期对照模型；首批有 700 多张图，按 CC BY-ND 4.0 向社区放出。

终于能把流程图丢进去让它写成代码，这种活对个人用户最实在。空间理解测的是「哪把剪刀更大」「这条车道能不能拐」，听起来简单，模型却常常栽跟头。

发布当天仍是预览，官方只写了「即将对早期测试者和现有用户开放」，没有标价。想看图就等滚动到自己这边，先不必着急。

来源：xAI《Grok-1.5 Vision Preview》（2024-04-12）