Grok Vision 现在可以理解并解释你指向摄像头的任何东西

埃隆·马斯克表示 iOS 和 Android 上的 Grok Vision 可以解释摄像头看到的内容。据马斯克称，Grok Vision 可以理解摄像头指向的几乎任何东西。

根据在 X 上发布的公告，Grok Vision 聪明且快速。该 帖子 写道， “Grok 分析你所看到的，解释它，翻译文本，甚至找到产品和回答你所有的问题 […]只需举起手机询问……它非常棒。”

Grok-1.5 Vision（Grok-1.5V），由 xAI 今年发布的 Grok-⟦N1⟧ Vision（Grok-⟦N2⟧V），能够“处理各种视觉信息，包括文档、图表、图形、截图和照片。” 

Grok 的语音模式附带摄像头访问权限，让用户可以将手机指向某物并询问：“我在看什么？”

Grok Vision 可以理解你指向摄像头的几乎任何东西 https://t.co/9IIpuhc32Z

—— 埃隆·马斯克 (@elonmusk) 26月 2025日，2025

iOS 上的 Vision 功能允许聊天机器人通过设备的摄像头实时分析现实世界中的物体、文本和环境。

用户可以扫描任何东西——产品、标志、文档——并 Grok 即时分解并提供上下文和信息。

Grok Vision 的出现伴随着新漏洞的发现

这一发展是在 Grok 4 Fast 发布之后， 它是“成本效益最高的推理模型的最新进展”。根据 发布 Cryptopolitan 看到的报道，该模型具有两百万 token 的上下文窗口，并引入了一种统一架构，整合了推理和非推理模式。 

xAI 报告称，Grok 4 Fast 采用端到端强化学习进行训练，以自主决定何时使用外部资源，如代码执行或网络浏览。该公司表示，它可以快速浏览链接，查看 X 上的视频，并实时整合信息片段。 

此外，上个月，xAI 正式推出 Grok Imagine， xAI 的图像和视频生成器，面向其 iOS 应用上的所有 SuperGrok 和 Premium+ X 订阅用户开放。该生成器允许用户制作 NSFW 内容。Grok Imagine 被誉为能够将文本或图像提示转化为带有原生音频的 15 秒视频。 

然而，过程并非一帆风顺。根据 8 月发表在《福布斯》上的一项调查，超过 370,000 条与 Grok 的私人对话被搜索引擎（包括 Google、Bing 和 DuckDuckGo）索引，而用户对此并不知情。 

这种暴露源于 Grok “分享”功能中的一个漏洞，该功能在用户分享对话时生成唯一的 URL。这些 URL 自动向搜索引擎公开，实际上将私人聊天发布到了网络上。

埃隆·马斯克即将把注意力转向 xAI

特斯拉股东将在 11 月就一项投资 xAI 的提案进行投票，马斯克表示这一举动可能会塑造这家汽车制造商的未来。然而，董事会也在权衡一项万亿美元薪酬方案，以保持他对特斯拉的关注。 

埃隆·马斯克的 xAI 提交 周三对 OpenAI 提起了一项诉讼。该诉讼声称 OpenAI 倾向于挖走其员工以获取与其 AI 聊天机器人 Grok 相关的商业秘密。 

xAI 的旗舰产品 Grok 聊天机器人目前拥有 6400 万月活跃用户。这家估值 1200 亿美元的公司经历了领导层更迭，但继续扩大招聘和基础设施。

据报道，Meta AI 和 Grok 也在争夺顶级 AI 应用 ChatGPT 的地位。Grok 在网络上排名第四，在移动设备上排名 23。考虑到 Grok 在 2024 年底没有独立应用，而现在有了，这是快速增长。2025 年 7 月，随着 Grok 4 的发布，Grok 的排名也攀升了近 40%。

然而，它远远落后于 ChatGPT，后者在 8 月报告称拥有 7 亿周活跃用户。与此同时，正如 在 6 月报道 Cryptopolitan 报道，美国总务管理局 (GSA) 今天确认与 xAI 签署了为期 18 个月的 OneGov 协议，为联邦机构提供 Grok 4 和 Grok 4 Fast 的访问权限，每个机构仅需 0.42 美元。