Grok-1.5V 模型解读：多模态的开门一枪
模型：Grok-1.5V（xAI） 发布：2024-04-12（官方预览博客） 定价：随 X Premium+ 订阅（模型实际未大规模公开部署） 这是 Grok 系列第一次”看世界”。1.5V 能理解文档、图表、截图和照片，还顺手发布了一个叫 RealWorldQA 的真实世界理解基准。它的成绩（RealWorldQA 68.7%）压过了 GPT-4V，但要注意：官方当时给的是”预览”，而这个预览版本后来并没有真正向公众放量——多数中文报道都没提这一点。它的真实价值是给 Grok-2 的视觉能力探了路。
一、引言：4 月 12 日的”意外发布”
Grok-1.5 发布两周后，2024 年 4 月 12 日，xAI 又甩出一个预览：Grok-1.5V，自家第一个多模态模型。节奏快得反常——但也符合 xAI 一贯”先秀肌肉、再补细节”的发布习惯。
1.5V 的能力清单：看文档、读图表、理解屏幕截图、分析照片，并且能”结合 X 平台数据做真实世界问答”。官方强调它能”连接数字世界与物理世界”。
二、RealWorldQA：xAI 的第一个自研基准
比模型本身更重要的是，xAI 借 1.5V 发布了 RealWorldQA——一个评估”真实世界物理空间理解”的基准。它的题目是实拍照片 + 物理常识问答，比如”这辆车能停进这个车位吗""这个斜坡和那个楼梯哪个更陡”。这类问题纯语言模型答不了，多模态模型也经常翻车，因为它要求模型真正理解空间几何，而不是匹配文字模式。
RealWorldQA 后来成了 xAI 的常驻基准，Grok-2、Grok-3 的官方博客里都能看到它。“发布模型顺便定义基准” 这套打法，xAI 跟 OpenAI（MMMU 等）学了个十成十——自己定规则、自己当裁判，虽然有点鸡贼，但基准本身确实填补了”真实世界理解”这个评测空白。
三、成绩：压过 GPT-4V，但没赢全套
官方公布的基准对比（vs GPT-4V 和 Gemini 1.5 Pro）：
- RealWorldQA 68.7% vs GPT-4V 61.4%——xAI 自研基准上领先 7.3 个点；
- MMMU 53.6%、DocVQA 85.6%；
- MathVista 与 Gemini 1.5 Pro 互有胜负。
注意两个细节：
- RealWorldQA 是 xAI 自己的基准，自家模型在上面领先，含金量要打折；
- 1.5V 并没有在所有维度上全面压制 GPT-4V——它在通用视觉问答（MMMU）上只是追平，而不是碾压。
四、关键事实：预览版没有真正放量
这是最容易被忽略、但对历史判断很重要的一点：Grok-1.5V 的发布停留在”预览”层面，官方后来并未将其作为正式产品大规模向公众部署。它更像是 xAI 的一次能力展示和技术探路，而不是一个交付给用户的产品。
为什么？合理的推测是：视觉能力需要更长的训练打磨，xAI 选择直接跳到下一代——四个月后的 Grok-2 就把成熟的多模态视觉能力（OCR、文档理解、图表分析）带给了所有用户。1.5V 是那个”跳板”。
收尾：我的一点看法
Grok-1.5V 是一篇”开门的作业”：能力有亮点（RealWorldQA 压过 GPT-4V）、思路有价值（自研基准 + 多模态探路），但产品没落地，多少有点”PPT 模型”的味道。
它的历史意义要从两条线看：
- 技术线：RealWorldQA 确立了 xAI”真实世界理解”的评测方向，这个方向后来贯穿 Grok-2（视觉理解）、Grok-3（图像 + 实时）、Grok-4（工具 + 多模态）直到 2026 年的 Grok 4.3（原生视频输入）；
- 组织线：1.5 家族证明了 xAI”一个基座、多能力分支并行开发”的节奏，语言和视觉两条产品线可以各自独立迭代。
说句公道话，1.5V 放在整个 Grok 历史里是小角色——没有它，Grok-2 的多模态也照样会来。但它替 xAI 验证了”视觉 + 实时数据”这个组合拳的可行性，也提前给社区打了一针”xAI 要往多模态走”的预防针。作为承上启下的一篇，够格。
附：核心数据速查
基本盘
| 项目 | 数值 |
|---|---|
| 发布 | 2024-04-12（预览） |
| 模态 | 文本 + 图像（文档/图表/截图/照片） |
| 部署状态 | 预览版未大规模公开部署（⚠️） |
| 架构/参数 | 官方未披露 |
官方基准（对比 GPT-4V）
| 基准 | Grok-1.5V | GPT-4V |
|---|---|---|
| RealWorldQA | 68.7% | 61.4% |
| MMMU | 53.6% | 56.8%（略落后） |
| DocVQA | 85.6% | — |
关键概念清单
- RealWorldQA = xAI 自研的真实世界物理空间理解基准
- MMMU = 大学水平多模态理解基准
- DocVQA = 文档视觉问答基准
- 多模态 = 同时处理文本与图像等多种输入
- 预览（Preview）= 能力展示版，非正式产品
如果这篇文章对你有帮助，欢迎分享给更多人！
部分信息可能已经过时