GPT-4 и GPT-4o
GPT-4 (2023) беше революционният голям мултимодален модел на OpenAI, който можеше да приема изображения, както и текст, а GPT-4o (2024) го направи по-бърз, по-евтин и естествено способен да обработва аудио, визия и текст в един модел.
Преглед
Together they defined the modern era of ChatGPT.
Дълбоко гмуркане
GPT-4, пуснат през март 2023 г., беше сериозен скок над GPT-3.5: той отбеляза в най-високите процентили на изпити като щангови и AP тестове, обработваше много по-дълги подкани и можеше да разсъждава за изображения. GPT-4 Turbo по-късно добави контекстен прозорец от 128k-токен и по-евтино ценообразуване. През май 2024 г. OpenAI представи GPT-4o, където „o“ означава „omni“, един модел, обучен от край до край в текст, аудио и визия. По-ранният гласов режим свързваше три отделни модела (говор към текст, след това GPT, след това текст към говор), добавяйки забавяне; GPT-4o обработва аудио директно, позволявайки разговор в почти реално време с емоционален тон и възможност за прекъсване. Освен това е приблизително два пъти по-бърз и е наполовина по-евтин от GPT-4 Turbo чрез API, а OpenAI го направи достъпен за безплатни потребители на ChatGPT, разширявайки драматично достъпа.
Техническа информация
И двата са само декодиращи трансформаторни модели, обучени да предсказват следващия токен, след това усъвършенствани с подсилващо обучение от човешка обратна връзка (RLHF), за да следват инструкциите и да се държат безопасно. Решаващият напредък в GPT-4o е мултимодалността от край до край: вместо да маршрутизира реч чрез отделни модели на транскрипция и синтез, една мрежа поглъща и излъчва директно аудио токени, запазвайки тона, времето и невербалните знаци, като същевременно намалява латентността до грубо разговорна скорост (няколкостотин милисекунди).
Стратегическо въздействие
Vendor strategy
Пътните карти на доставчиците влияят на това какви функции вашият екип може да изгради по-нататък.
Cost and budget
Търговските условия и опциите за внедряване влияят върху дългосрочните разходи и риск.
Risk and safety
Стимулите на компанията оформят продуктовите стандарти, безопасността и откритостта.
Бъдещето на GPT-4 и GPT-4o
GPT-4o задава шаблона за плавни, мултимодални асистенти в реално време и наследниците на OpenAI продължават да разсъждават (моделите на „мислене“ от o-серията, които обмислят преди да отговорят), по-дълъг контекст и използване на агентски инструменти. Очаквайте по-ниски разходи, по-богато гласово и видео взаимодействие в реално време, по-тясна интеграция на приложения и устройства и модели, които плавно превключват между бързи отговори и бавни, внимателни разсъждения в зависимост от трудността на задачата. Мултимодалното генериране, създаващо естествено изображения и аудио, ще продължи да се разширява.
Внедряване в реалния свят
Провеждане на разговор в почти реално време с разширения гласов режим на ChatGPT, включително прекъсването му по средата на изречението
Качване на снимка на съдържанието на хладилник и искане на GPT-4o да предложи рецепти
Поставяне на дълъг правен договор в контекстния прозорец на 128k-токен за обобщаване и откриване на риска
Използване на способността за зрение за четене и обяснение на диаграма, ръкописна бележка или екранна снимка на съобщение за грешка
Рискове и предпазни огради
Съобщенията за стартиране може да изпреварят стабилността в реалните производствени работни процеси.
Ценообразуването на API или промените в политиката могат да разбият предположенията за една нощ.
Зависимостта от един доставчик увеличава разходите за заключване и миграция.
Пътна карта за изпълнение
Оценявайте доставчиците, като използвате вашите собствени задачи и набори от данни.
Прегледайте поверителността, сигурността и правните условия преди интегриране.
Поддържайте резервен план за модели или доставчици.
Наблюдавайте бележките по изданието, така че промените в пътната карта да не изненадват екипите.
Продължете да изследвате
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the GPT-4 and GPT-4o quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
OpenAI GPT-4.5 и GPT-5
Frequently asked questions
What is GPT-4 and GPT-4o?
GPT-4 (2023) беше революционният голям мултимодален модел на OpenAI, който можеше да приема изображения, както и текст, а GPT-4o (2024) го направи по-бърз, по-евтин и естествено способен да обработва аудио, визия и текст в един модел. Заедно те определиха съвременната ера на ChatGPT.
Какво означава "o" в GPT-4o?
„O“ означава „omni“, което отразява, че GPT-4o е един модел, който обработва текст, аудио и визия заедно.
Защо гласовият режим на GPT-4o е по-бърз от предишната гласова функция на GPT-4?
По-ранният гласов режим свързваше три отделни модела, добавяйки забавяне. GPT-4o обработва аудио от край до край в една мрежа, намалявайки латентността до скорост, близка до скоростта на разговор.
Какъв основен нов тип вход въведе GPT-4 спрямо GPT-3.5 при стартирането?
GPT-4 беше голям мултимодален модел, който можеше да приема въвеждане на изображения в допълнение към текста, възможност, която липсваше на GPT-3.5.
Какъв размер на контекстния прозорец предлага GPT-4 Turbo?
GPT-4 Turbo разшири контекстния прозорец до 128k токена, което позволява много по-дълги документи и разговори.
Коя техника на обучение се използва, за да накара GPT-4 и GPT-4o да следват инструкциите и да се държат безопасно?
След предварително обучение за следващ токен, моделите се усъвършенстват с RLHF, като се използват човешки предпочитания за оформяне на полезно, безопасно поведение за следване на инструкции.