4o究竟牛在哪儿 一文了解详情

先是GPT的持续迭代，后是文生视频的Sora的一骑绝尘，一直被OpenAI牵着鼻子走的大模型在经历繁花似锦的1316世界之最一年之后，终于在行业化场景化尝试落地，并于多模态能力寻求新的突破。

GPT-4o横空出世

而今天实现这一突破的还是OpenAI。可以说，在大模型混战日益激烈的今天，OpenAI释放了又一重磅炸弹——GPT-4o。

事情是这样的。今天凌晨，OpenAI在其春季发布会上推出最新杰作GPT-4o，以其突破性的智能交互能力，彻底颠覆了我们对AI语音助手的认知。

在一段简短的视频中，OpenAI揭晓了其新一代AI大模型GPT-4o，该模型能够实时进行音频、视觉和文本的推理，GPT-4o中的“o”源自Omni，即“全能”，体现了其全面而强大的能力。

何为全能？1316世界之最在发布现场，OpenAI技术负责人穆拉迪(MiraMurati)表示：“新型号GPT-4o‘速度快得多’，在文本、视频和音频方面都有改进，公司最终计划让用户与ChatGPT进行视频聊天。这是我们第一次在易用性方面迈出巨大的一步。”

据透露，相较于先前的GPT-4Turbo，GPT-4o在运算速度和成本效益方面均实现了显著的优化。

更为出色的是，GPT-4o拥有对文本、图像、音频等多种信息模态的处理能力，从而为用户提供了更为自然且流畅的交互体验。

更快更强还免费

OpenAI不仅发布全新旗舰大模型GPT-4o，还更新界面以提高用户使用体验，并且宣布免费开放使用，付费用户享有五倍的使用容量限制。

在免费使用方面，官方给出的免费限制在一定消息数量上，超过这个消息量之后，免费的模型将被切回ChatGPT。这是GPT-4o的优势之一。

在API使用上，GPT-4o相较于去年11月发布的GPT-4-turbo，价格降低了50%，速度提升了200%，进一步提升了性价比。

更令人期待的是，未来几周内，GPT-4o的语音和视频输入功能也将陆续推出，为用户带来更多元的交互方式。

与现有的大模型相比，GPT-4o在音频与视觉方面表现得尤为出色。其中，在音频方面，GPT-4o可以在短至232毫秒的时间内响应用户的语音输入，这也意味着320毫秒的用时已经接近人类在日常对话中的反应时间。

而在GPT-4o之前，用户使用VoiceMode(由三个独立模型组成)与ChatGPT通话，但平均延迟为2.8秒(GPT-3.5)和5.4秒(GPT-4)。这也进一步证明了GPT-4o的先进之处。

同时，GPT-4o能够应对文本、音频和图像任意组合的多元化输入，并据此生成相应类型的任意组合输出。

此外，GPT-4o在英语文本和代码处理方面的表现与GPT-4Turbo旗鼓相当，而在非英语文本的处理能力上，GPT-4o更是展现出了显著的性能提升。

据悉，GPT-4o在设计中内置了跨模式的安全性，并创建了新的安全系统，为语音输出提供护栏。

此外，GPT-4o还与来自社会心理学、偏见和公平、错误信息等领域的70多名外部专家开展广泛的外部团队合作，以识别新增加的模式引入或放大的风险，提高与GPT-4o互动的安全性。

不停歇的OpenAI

从GPT到Sora再到GPT-4o，可以说，OpenAI在大模型创新的路上持续前行，并在大模型领域一骑绝尘。

早在上周便有消息传出，OpenAI准备推出一款AI搜索引擎，并将矛头指向Google即将召开的I/O大会。然而，AI搜索引擎并未如期而至，到来的是GPT-4o。

GPT-4o不仅能通过声音和文字跟人交流，还能识别物体和图像，并且逻辑推理能力也比现在市面上的产品要强。

可以说，GPT-4o将转录音频和文本转语音等功能合二为一，构建一个更懂图像和音频的多模态模型，响应速度也更快。

在笔者看来，无论是上个月推出的“语音引擎”(VoiceEngine)，还是更早些时候发布的TTS(文本转语音)软件，都有着不俗的表现，有着更为广泛的应用场景，且实用性更强。

以微软为例，微软也在考虑用技术来提升语音助手，OpenAI表示，这次更新“是朝着实用性的方向发展。”

除了探索更为实用的场景外，OpenAI也将推出新的定价模式，调查数据显示，一直“烧钱”的OpenAI今年预计将迎来数十亿美元的收入。

声明：本文内容仅代表作者个人观点，与本站立场无关。如有内容侵犯您的合法权益，请及时与我们联系，我们将第一时间安排处理