xAI द्वारा निर्मित जेनेरेटिव आर्टिफिशियल इंटेलिजेंस चैटबॉट Grok को एक ऐतिहासिक अपडेट मिला है, जिसकी कार्यक्षमता में व्यापक उन्नयन किया गया है। इसमें न केवल दृश्य प्रसंस्करण क्षमता जोड़ी गई है, बल्कि बहुभाषी ऑडियो प्रसंस्करण और वॉयस मोड में रीयल-टाइम सर्च फ़ंक्शन भी शामिल किया गया है। यह अपडेट मल्टी-मॉडल AI क्षेत्र में Grok की एक बड़ी सफलता को दर्शाता है, जो उपयोगकर्ताओं को एक अधिक स्मार्ट और सुविधाजनक इंटरैक्शन अनुभव प्रदान करता है। नीचे, AIbase इस अपडेट के मुख्य आकर्षण और महत्व का विस्तृत विश्लेषण प्रदान करेगा।

QQ_1745369630380.png

दृश्य क्षमता में प्रगति

Grok की दृश्य प्रसंस्करण क्षमता इस अपडेट का एक मुख्य आकर्षण है। हालाँकि, 2024 के अप्रैल में, xAI ने घोषणा की थी कि Grok-1.5Vision (Grok-1.5V) में दस्तावेज़ों, चार्ट, स्क्रीनशॉट और फ़ोटो जैसी दृश्य जानकारी को संसाधित करने की क्षमता है, लेकिन यह संस्करण जनता के लिए कभी जारी नहीं किया गया था। अब, Grok का दृश्य फ़ंक्शन आधिकारिक तौर पर लॉन्च किया गया है, उपयोगकर्ता चित्र अपलोड करके Grok को जटिल दृश्य सामग्री का विश्लेषण करने दे सकते हैं, जैसे कि डेटा चार्ट की व्याख्या करना, वस्तुओं की पहचान करना या दृश्य जानकारी को निष्पादित करने योग्य कोड में बदलना। यह न केवल वास्तविक दुनिया के परिदृश्यों में Grok के अनुप्रयोग मूल्य को बढ़ाता है, बल्कि इसे स्थानिक समझ और दृश्य तर्क कार्यों में भी उत्कृष्ट प्रदर्शन करने में सक्षम बनाता है, खासकर RealWorldQA बेंचमार्क परीक्षण में अग्रणी प्रदर्शन दिखाता है।  

उल्लेखनीय है कि Grok की दृश्य क्षमता इसकी रीयल-टाइम डेटा एक्सेस क्षमता के साथ संयुक्त रूप से समाचार विश्लेषण, सोशल मीडिया सामग्री की व्याख्या आदि जैसे परिदृश्यों में इसके प्रदर्शन को और बढ़ा सकती है। उदाहरण के लिए, उपयोगकर्ता एक समाचार चित्र अपलोड कर सकता है, और Grok X प्लेटफ़ॉर्म पर रीयल-टाइम जानकारी के साथ संयोजन में पृष्ठभूमि विश्लेषण और घटना की व्याख्या प्रदान कर सकता है।

बहुभाषी ऑडियो प्रसंस्करण: 145+ भाषाओं में वॉयस इंटरैक्शन का नया अनुभव

Grok का बहुभाषी ऑडियो प्रसंस्करण फ़ंक्शन भी उल्लेखनीय है। "VoiceWave" एक्सटेंशन को एकीकृत करके, Grok अब 145 से अधिक भाषाओं में रीयल-टाइम वॉयस इंटरैक्शन का समर्थन करता है, जिसमें अंग्रेजी, स्पेनिश, फ्रेंच, जापानी, चीनी, तुर्की और हिंदी जैसी प्रमुख वैश्विक भाषाएँ शामिल हैं। यह फ़ंक्शन न केवल प्राकृतिक और सुचारू वॉयस संवाद प्राप्त करता है, बल्कि वॉयस-टू-टेक्स्ट, वॉयस रीप्ले और सिंक्रनाइज़्ड टेक्स्ट हाइलाइटिंग का भी समर्थन करता है, जिससे उपयोगकर्ता अनुभव में काफी सुधार होता है।

जिन उपयोगकर्ताओं को बहुभाषी संचार की आवश्यकता है, उनके लिए Grok का बहुभाषी ऑडियो प्रसंस्करण एक वरदान है। चाहे वह नई भाषा सीखना हो, बहुभाषी ग्राहक सेवा को संभालना हो या अंतर्राष्ट्रीय सामग्री निर्माण करना हो, Grok देशी उच्चारण और समायोज्य गति और स्वर के साथ व्यक्तिगत वॉयस प्रतिक्रिया प्रदान कर सकता है। ऐसा कहा जाता है कि यह फ़ंक्शन Chrome वेब स्टोर के एक्सटेंशन के माध्यम से उपलब्ध है, और उपयोगकर्ता सरल वॉयस निर्देशों के माध्यम से इंटरैक्शन सेटिंग्स को सक्रिय और अनुकूलित कर सकते हैं।

वॉयस मोड रीयल-टाइम सर्च: DeepSearch द्वारा सक्षम तत्काल जानकारी प्राप्ति

वॉयस मोड में Grok द्वारा जोड़ा गया रीयल-टाइम सर्च फ़ंक्शन "सच्चाई की खोजकर्ता" के रूप में इसकी स्थिति को और मजबूत करता है। DeepSearch तकनीक के आधार पर, Grok वॉयस निर्देशों के माध्यम से वेब और X प्लेटफ़ॉर्म से तुरंत नवीनतम जानकारी प्राप्त कर सकता है और सटीक और विस्तृत उत्तर उत्पन्न कर सकता है। पारंपरिक टेक्स्ट इनपुट की तुलना में, वॉयस सर्च उपयोगकर्ताओं को रीयल-टाइम रुझानों, समाचारों या हॉट टॉपिक्स की अंतर्दृष्टि प्राप्त करने में तेज़ी से मदद करता है।

उदाहरण के लिए, जब उपयोगकर्ता "हाल के तकनीकी समाचार" के बारे में पूछता है, तो Grok न केवल वॉयस के माध्यम से जल्दी से प्रतिक्रिया दे सकता है, बल्कि X प्लेटफ़ॉर्म पर नवीनतम पोस्ट और वेब संसाधनों का भी हवाला दे सकता है, जिससे सूचना की समयबद्धता और विश्वसनीयता सुनिश्चित होती है। इसके अतिरिक्त, DeepSearch की पारदर्शी तर्क प्रक्रिया उपयोगकर्ताओं को Grok के तार्किक निष्कर्ष और स्रोत दस्तावेज़ों को देखने की अनुमति देती है, जिससे जानकारी की विश्वसनीयता और बढ़ जाती है।

फ़ंक्शन के पीछे तकनीकी समर्थन: Colossus सुपरकंप्यूटर और प्रबलित शिक्षा

इस अपडेट की सफलता xAI के तकनीकी स्तर पर निरंतर निवेश पर निर्भर करती है। Grok3 को Colossus सुपरकंप्यूटर पर प्रशिक्षित किया गया है, जिसमें 200,000 NVIDIA H100 GPU हैं, जिसकी कंप्यूटिंग शक्ति पिछले मॉडल की तुलना में 10 गुना अधिक है। इससे Grok जटिल कार्यों को तेज़ी से और अधिक सटीकता के साथ संसाधित कर सकता है, खासकर उन परिदृश्यों में जो मल्टी-मॉडल एकीकरण की आवश्यकता होती है।

इसके अतिरिक्त, Grok3 ने बड़े पैमाने पर प्रबलित शिक्षा (RL) के माध्यम से अपनी तर्क क्षमता का अनुकूलन किया है, जो कुछ सेकंड से लेकर कुछ मिनटों में त्रुटि सुधार, समाधान अन्वेषण और उत्तर निर्माण पूरा कर सकता है। "मानव की तरह सोचने" की यह क्षमता Grok को गणित, विज्ञान और कोडिंग जैसे क्षेत्रों के बेंचमार्क परीक्षणों में GPT-4o, Gemini1.5 और Claude3.5Sonnet जैसे कई प्रतिस्पर्धी मॉडलों को पार करने में सक्षम बनाती है।