1、Grok 3 已宣布向所有用户免费开放使用（直至服务器崩溃）
基础功能免费：所有用户可通过X平台或Grok网页版直接体验，支持DeepSearch（深度搜索）和Think（推理模式）功能
限制说明（上午宝玉大佬的测试，晚上试的时候感觉可使用的数量更高了）：
- 20 条 / 2 小时 （不带 Think）
- 5 条 / 2 小时 （Think）
- 5 条 / 2 小时 （Deep Search）
进阶功能对比
订阅X Premium+（40美元/月）或SuperGrok（30美元/月）可解锁无限使用、语音模式及优先体验新功能
实测反馈
用户评价其推理能力接近OpenAI商用模型o1-pro（200美元/月），但存在幻觉问题
访问方式
推荐通过网页版直接体验（需网络工具访问）iOS用户可下载Grok APP，安卓暂不支持
建议尽早体验，服务器压力可能导致响应延迟。如需深度使用，可考虑短期订阅付费服务。
网址：https://x.com/i/grok
2、Google发布了多模态视觉-语言模型 PaliGemma 2 Mix
一个集图像描述、OCR、问答、目标检测和分割于一身的开源视觉-语言模型
灵活配置：
提供3B、10B、28B参数规模，支持224px和448px分辨率输入
兼容主流框架（Hugging Face Transformers、PyTorch等）
性能优势：
动态分辨率适配技术降低40%计算资源消耗，多任务性能提升32%
在化学式识别、乐谱识别、医学影像分析等专业领域达到SOTA水平
本地部署指南：
可通过Miniconda配置Python环境，并调用Hugging Face接口实现
注意事项：
中文OCR准确率较英文低8.7%，建议针对性微调
28B版本需16GB显存，硬件要求较高
核心功能
- 画面生成：输入1秒游戏画面或操作指令，可生成分辨率300×180的连贯视频（约2分钟）。
- 行为预测：通过分析7年真实玩家数据（来自Xbox游戏《Bleeding Edge》），模拟玩家操作逻辑。
可以理解为游戏界的"AI导演"，它能根据玩家的操作自动生成游戏画面，或者反过来根据画面预测玩家动作，甚至能同时生成画面和动作
主要功能
强大的文档解析能力：升级了文本识别功能，能够处理多场景、多语言和各种内置格式（如手写、表格、图表、化学公式和乐谱）的文档。
精确的对象定位：提高了检测、指向和计数对象的准确性，支持绝对坐标和JSON格式，以实现高级空间推理。
超长视频理解和细粒度视频定位：扩展了动态分辨率的时间维度，增强了理解数小时视频的能力，并能在几秒钟内提取事件片段。
增强的代理功能：利用先进的定位、推理和决策能力，提升了智能手机和计算机上的代理功能。
Qwen2.5-VL 有三种不同规模的版本：
• Qwen2.5-VL-3B：小型模型，适合资源有限的设备（如手机）。
• Qwen2.5-VL-7B：中等规模，性能和效率兼顾。
• Qwen2.5-VL-72B：旗舰型号，能力媲美业界顶尖模型（如 GPT-4o 和 Claude 3.5 Sonnet）。
没有评论:
发表评论