2024-08-14
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Apparatus Cordis Report
Machina Cordis Editorial Department
GPT-5 nondum est, Grok iam captus est.
Eodem die quo Google et OpenAI nuntium certabant, Musk xAI non erat otiosus.
Feria quarta post meridiem, tempore Beijing, xAI novum generationis Grok 2 magnum exemplar publice dimisit.
Tertia-pars magnae exemplar accumsan Chatbot Arena etiam statim indicem sexaginta LMSYS indicem renovavit. Primum exemplar Grok 2 (sus column-r) quarto post GPT-4o (versio 0513) apponi potest, Claude 3.5 Sonnet et GPT-4-Turbo.
Praestat coding, problemata multiplici et mathematica.
Musk non potuit adiuvare sed gloriari "propulsio Grok velocitas quasi erucae".
Nota hoc solum score primae versionis Chatbot Arena dixit eam versionem officialem in futuro probare.
Musk Grok-2 dixit exemplar linguae Latinae provectum esse cum facultatibus ratiocinandi status-of-artis. Nova generatio duas continet versiones: Grok-2 et Grok-2 mini. Utraque exemplaria nunc ad Grok users in X suggestu dimittuntur. In statu, X Premium et Premium+ utentes iam Grok-2 et Grok-2 mini exempla experiri possunt.
Cum priore Grok-1.5, prima praevisio versionis Grok-2 progressus significantes consecutus est, ducens facultates in chat, ratiocinando, coding, etc. xAI dicit Grok-2 et Grok-2 mini nunc in beta in X et in promptu erunt per expeditionem API postea hoc mense.
Minus quam dimidium horae postquam novum exemplar dimissum est, reticulum iam eventus ostentans. Grok 2 mini usus est ut imaginem "Me et Musk canes calidas comedere".
Aliam proba imaginem ad generandum Washington.
Nonnulli etiam Grok 2 conati mini felem volantem generare.
Alius Tesla exemplar Y aedificavit, simile videtur?
Grok-2 perficiendi PK
Cum xAI primam versionem Grok-2, "sus-column-r" in Chatbot Arena ponit, videmus quomodo eius effectus cum aliis exemplaribus apertis et clausis fonte populari comparet.
In terminis altioris score Elo, Grok-2 melius praestat quam exempla seriei Claudiae et pleraeque versiones GPT-4. Nempe prima in indice est GPT-4o (versio 8 Augusti), quam OpenAI his diebus mox emisit.
Pictura infra ostendit comparationem Win Rate inter Grok-2 et alia exempla popularia.
Pictura infra indicat factum-substructio conciliationis rate comparationis inter duas versiones Grok 1.5 et Grok II.
xAI hunc processum ad exemplar Grok 2 aestimandum adoptat, utens AI Tutores ad exemplar in variis operibus vere penitus secernendo. In unaquaque commercio Grok 2 duas responsiones praebet AI Tutors, quae tunc optimam responsionem eligit nititur certis indiciis in duce recensitis.
xAI aestimare exemplar faciendum in duobus locis clavis: instructionem sequentem et accuratam, veridicam informationem providens. Eventus in Grok II emendationes significantes ostendunt facultatem ratiocinandi a contento recepta et usu instrumentorum ut recte cognoscendi informationes absentes, ratiocinandi per sequentia rerum, abiecta nuntia irrelevant, etc.
Probatio scores
xAI perpensum Grok-2 exemplar per range notas academicas, inclusas ratiocinationem, comprehensionem, mathematicam, scientiam, codingem legendi.
Ambae Grok-2 et Grok-2 mini significant emendationes in exemplo priore Grok-1-5. Effectus comparandus est aliis exemplaribus in marginibus sectionis in locis sicut scientia graduati-gradu (GPQA), scientia generalis (MMLU, MMLU-Pro), et mathematica problemata certamina (MATH).
Praeterea Grok-2 etiam bene exercet in operibus visionis substructis, cum insigni observantia in rationibus mathematicis visivis (MathVista) et documento-substructio quaestioni respondens (DocVQA).
Grok 2 interface et functiones "magnus elit"
Super hos paucos menses, xAI continue improvidus Grok experientia in x suggestu fuit. Nunc, Grok 2 , cum deductione posteritatis Grok, xAI interfaciem resignavit, ut infra patebit.
Utique, xAI novas quasdam formas praebet, ut simplex exsecutio scriptoris "Ludi Vitae" Conway.
Aliud exemplum est multiformis capacitatis intellectus (aspiciens ad picturas et loquendum).
Inter eos, Grok-2 est xAI adiutor antecedens AI, cum textu et facultate intellectus visualis et notitiae reales temporis integratae ex X suggestu, quae per Grok tab in X applicatione accedere possunt.
Grok-2 mini exemplum parvum sed potens est quod bonam proportionem inter velocitatem et qualitatem responsionis percutit.
Grok-2 magis intuitiva, moderatior et flexibilior quam antecessor eius, idoneus faciens variis officiis, sive responsa cupis, scripturam collaborativam vel ad opera codingum solvenda.
Praeterea xAI laborat cum satus Labs Silvae Nigrae ad experimentum cum suis FLUX.1 exemplar ad facultates Grok extendendas in X.
Post hoc mense, xAI etiam Grok-2 et Grok-2 mini dimittet tincidunt per novam incepti API suggestum. Venatio API in novo acervo technologiae consuetudinis aedificatur, multifariam illationem instruere ad globalem accessum humilem latency instruere.
Scilicet, xAI etiam nonnullas notas securitatis auctas praebet, ut multi-factorem authenticas faciendas (exempli gratia utens Yubikey, Apple TouchID vel TOTP).
Videri potest, cum Grok-1 Novembri anno 2023 immissa, xAI hanc exemplorum seriem atrox rate progressam esse. Mox versionem praevisivam cum intellectu multi-modali remittebunt. Focus post xAI erit nucleum ratiocinandi facultatem exemplaris per novos racemos computandi emendare.
Diariorum inscriptio: https://x.ai/blog/grok-2