マスク氏がリツイートしたツイートによると、Grok音声モードは現在、コンテンツを識別するためにカメラアクセスをサポートするようになったという。ユーザーは携帯電話を何かに向けて「何を見ているの？」と尋ねることができます。 iOS のビジョン機能により、チャットボットはデバイスのカメラを通じて現実世界のオブジェクト、テキスト、環境をリアルタイムで分析できます。ユーザーは製品、ロゴ、ドキュメントなどあらゆるものをスキャンすることができ、Grok は即座にコンテキスト情報と関連情報を提供します。