①OpenAI在活動中發佈了新旗艦模型“GPT-4o”，“可以實時對音頻、視覺和文本進行推理”； ②“我們跨文本、視覺和音頻端到端地訓練了一個新模型，這意味着所有輸入和輸出都由同一神經網絡處理。”
財聯社5月14日訊（編輯 趙昊）北京時間週二（5月14日）凌晨，美國人工智能研究公司OpenAI在線上舉辦了“春季更新”活動。
整體來看，活動主要分爲兩大部分：推出新旗艦模型“GPT-4o”，以及在ChatGPT中免費提供更多功能。
GPT-4o登場
OpenAI在活動中發佈了新旗艦模型“GPT-4o”，“可以實時對音頻、視覺和文本進行推理。”據介紹，新模型使ChatGPT能夠處理50種不同的語言，同時提高了速度和質量。
GPT-4o的“o”代表“omni”。該詞意爲“全能”，源自拉丁語“omnis”。在英語中“omni”常被用作詞根，用來表示“全部”或“所有”的概念。
新聞稿稱，GPT-4o是邁向更自然人機交互的一步，它可以接受文本、音頻和圖像三者組合作爲輸入，並生成文本、音頻和圖像的任意組合輸出，“與現有模型相比，GPT-4o在圖像和音頻理解方面尤其出色。”
在GPT-4o之前，用戶使用語音模式與ChatGPT對話時，GPT-3.5的平均延遲爲2.8秒，GPT-4爲5.4秒，音頻在輸入時還會由於處理方式丟失大量信息，讓GPT-4無法直接觀察音調、說話的人和背景噪音，也無法輸出笑聲、歌唱聲和表達情感。
與之相比，GPT-4o可以在232毫秒內對音頻輸入做出反應，與人類在對話中的反應時間相近。在錄播視頻中，兩位高管做出了演示：機器人能夠從急促的喘氣聲中理解“緊張”的含義，並且指導他進行深呼吸，還可以根據用戶要求變換語調。
圖像輸入方面，演示視頻顯示，OpenAI高管啓動攝像頭要求實時完成一個一元方程題，ChatGPT輕鬆完成了任務；另外，高管還展示了ChatGPT桌面版對代碼和電腦桌面（一張氣溫圖表）進行實時解讀的能力。
OpenAI新聞稿稱，“我們跨文本、視覺和音頻端到端地訓練了一個新模型，這意味着所有輸入和輸出都由同一神經網絡處理。由於GPT-4o是我們第一個結合所有這些模式的模型，因此我們仍然只是淺嘗輒止地探索該模型的功能及其侷限性。”
性能方面，根據傳統基準測試，GPT-4o在文本、推理和編碼等方面實現了與GPT-4 Turbo級別相當的性能，同時在多語言、音頻和視覺功能方面的表現分數也創下了新高。
更多工具免費解鎖
OpenAI表示，“我們開始向ChatGPT Plus和Team用戶推出GPT-4o，並且很快就會向企業用戶推出。我們今天還開始推出ChatGPT Free，但有使用限額。 Plus用戶的消息限額將比免費用戶高出5倍，團隊和企業用戶的限額會再高一些。”
新聞稿稱，即使是ChatGPT Free（免費）用戶也可以有機會體驗GPT-4o，但當達到限額時，ChatGPT將自動切換到GPT-3.5。
另外，OpenAI還推出適用於macOS的ChatGPT桌面應用程序，通過簡單的鍵盤快捷鍵（Option + Space）可以立即向ChatGPT提問，還可以直接在應用程序中截取屏幕截圖與機器人進行討論。
在直播活動尾聲時，OpenAI首席技術官Mira Murati說道，“感謝傑出的OpenAI團隊，也感謝Jensen（黃仁勳）和英偉達團隊爲我們帶來了最先進的GPU，使今天的演示成爲可能。”
編輯/Somer