OpenAI推出新一代AI模型GPT-4o 音频视频理解能力尚无敌手

5月14日消息,据外媒报道,在今日凌晨1点开始的春季更新中,OpenAI宣布了他们新一代的旗舰模型GPT-4o,可以利用语音、视频和文本信息进行实时推理。

从OpenAI在官网上公布的信息来看,GPT-4o中的“o”源自“omni”,也就是全面、全能的意思,朝着更自然的人机交互又迈出了关键一步。

而GPT-4o也的确如名字中“omni”的全能一样,是一款能力更全面的大语言模型,打通了文本、音频和图像,接受任何文本、音频和视频的组合输入,并生成文本、音频和视频的组合输出。

OpenAI在官网上披露,GPT-4o在英文文本和代码中的表现与GPT-4 Turbo相当,但在非英文文本上的能力大幅提升,在视频和音频的理解上,GPT-4o要明显强于当前的其他模型。

在官网上,OpenAI提到,在GPT-4o之前,通过语音模式同ChatGPT对话时,有较长时间的延迟,GPT-3.5平均为2.8秒,GPT-4平均为5.4秒。而由三个独立模式组成的语音模式,也丢失了大量信息,无法直接识别音调、多个说话者或背景噪音,也无法输出笑声、歌唱或表达情感。

但在GPT-4o中,OpenAI训练一个跨文本、音频和视频的端到端新模型,所有的输入和输出都是由同一神经网络处理,GPT-4o也是他们首个整合了个文本、音频和视频模式的模型,

能力更全面的GPT-4o,响应速度也更快,最快232毫秒响应音频输入,平均响应时间为320毫秒,与人类在对话中的响应速度相当。

除了更强、更全面的能力,OpenAI也在推动GPT-4o更广泛的应用。GPT-4o的文本和图片功能自推出之日起就向ChatGPT推送,ChatGPT用户可免费使用,ChatGPT Plus用户的数据量上限将是免费用户的5倍,新版本的音频模式将在未来几周向ChatGPT Plus用户推送。

OpenAI周二凌晨1点开始的春季更新,是由CTO Mira Murati主持进行,登台的还有两位研发人员,公司CEO萨姆•奥特曼并未登场。

不过,未现身直播的萨姆•奥特曼,在社交媒体上对GPT-4o也进行了推广。他在社交媒体上就表示,他们最新的模型GPT-4o,是他们到目前为止最好的模型,它很聪明、速度很快,是天然的多模态。

萨姆•奥特曼在社交媒体上也提到,GPT-4o对所有的ChatGPT用户免费,而此前GPT-4级别的模型仅对按月付费的用户免费。

而值得注意的是,OpenAI在周二凌晨推出能力更全面的GPT-4o,无疑会给谷歌带来更大的压力,谷歌2024年度的I/O开发者大会,将在当地时间周二开始,外界预计他们会推出大量人工智能相关的产品。(海蓝)

(免责声明:本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时,应及时向本网站提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后,将会依法尽快联系相关文章源头核实,沟通删除相关内容或断开相关链接。 )

赞助商
2024-05-14
OpenAI推出新一代AI模型GPT-4o 音频视频理解能力尚无敌手
GPT-4o中的“o”源自“omni”,也就是全面、全能的意思。

长按扫码 阅读全文

Baidu
map