GPT-4 a GPT-4o
GPT-4 (2023) byl průlomový velký multimodální model OpenAI, který dokázal přijímat obrázky i text, a GPT-4o (2024) jej zrychlil, zlevnil a nativně dokázal zpracovat zvuk, obraz a text v jediném modelu.
Přehled
Together they defined the modern era of ChatGPT.
Hluboký ponor
GPT-4, vydaný v březnu 2023, byl velkým skokem oproti GPT-3.5: skóroval v nejvyšších percentilech ve zkouškách, jako jsou barové a AP testy, zvládal mnohem delší výzvy a mohl uvažovat o obrázcích. GPT-4 Turbo později přidal kontextové okno se 128 000 tokeny a levnější ceny. V květnu 2024 společnost OpenAI představila GPT-4o, kde 'o' znamená 'omni', jediný model vyškolený end-to-end pro text, zvuk a obraz. Dřívější hlasový režim zřetězoval tři samostatné modely (převod řeči na text, poté GPT a poté převod textu na řeč), čímž se přidalo zpoždění; GPT-4o zpracovává zvuk přímo, což umožňuje mluvenou konverzaci téměř v reálném čase s emocionálním tónem a schopností být přerušován. Je také zhruba dvakrát rychlejší a o polovinu levnější než GPT-4 Turbo prostřednictvím rozhraní API a OpenAI jej zpřístupnilo bezplatným ChatGPT uživatelům, čímž dramaticky rozšířilo přístup.
Technický přehled
Oba jsou modely Transformeru určené pouze pro dekodéry, které jsou trénovány k předvídání dalšího tokenu, poté jsou vylepšeny zesíleným učením z lidské zpětné vazby (RLHF), aby se řídily pokyny a chovaly se bezpečně. Zásadním pokrokem v GPT-4o je komplexní multimodalita: namísto směrování řeči prostřednictvím samostatných modelů přepisu a syntézy jedna síť přímo přijímá a vysílá zvukové tokeny, zachovává tón, načasování a neverbální podněty a zároveň snižuje latenci na zhruba konverzační rychlost (několik set milisekund).
Strategický dopad
Strategie dodavatelů
Plány dodavatelů ovlivňují, jaké funkce může váš tým dále vybudovat.
Cena a rozpočet
Komerční podmínky a možnosti nasazení ovlivňují dlouhodobé náklady a rizika.
Riziko a bezpečnost
Firemní pobídky utvářejí výchozí produkty, bezpečný postoj a otevřenost.
Budoucnost GPT-4 a GPT-4o
GPT-4o nastavilo šablonu pro plynulé multimodální asistenty v reálném čase a nástupci OpenAI posouvají dále do uvažování (modely „myšlení“ série o, které se před odpovědí zamýšlejí), delší kontext a použití agentních nástrojů. Očekávejte nižší náklady, bohatší interakci hlasu a videa v reálném čase, těsnější integraci aplikací a zařízení a modely, které plynule přepínají mezi rychlými reakcemi a pomalým, pečlivým uvažováním v závislosti na obtížnosti úkolu. Multimodální generace, která nativně produkuje obrázky a zvuk, se bude neustále rozšiřovat.
Real-World Implementace
Mluvená konverzace v téměř reálném čase pomocí pokročilého hlasového režimu ChatGPT, včetně přerušování uprostřed věty
Nahrajte fotografii obsahu chladničky a požádáte GPT-4o, aby navrhl recepty
Vložení dlouhé právní smlouvy do kontextového okna 128 000 tokenů pro shrnutí a zjištění rizik
Použití schopnosti vidění ke čtení a vysvětlení tabulky, ručně psané poznámky nebo snímku obrazovky s chybovou zprávou
Rizika a zábradlí
Oznámení o uvedení mohou předstihnout stabilitu v reálných výrobních pracovních postupech.
Změny cen API nebo politik mohou přes noc narušit předpoklady.
Závislost na jediném dodavateli zvyšuje náklady na uzamčení a migraci.
Plán implementace
Vyhodnoťte poskytovatele pomocí vlastních úkolů a datových sad.
Před integrací si přečtěte podmínky ochrany soukromí, zabezpečení a právní podmínky.
Udržujte záložní plán napříč modely nebo dodavateli.
Sledujte poznámky k vydání, aby změny plánu nepřekvapily týmy.
Pokračujte v objevování
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
Další průvodce
OpenAI GPT-4.5 a GPT-5
Často kladené otázky
What is GPT-4 and GPT-4o?
GPT-4 (2023) byl průlomový velký multimodální model OpenAI, který dokázal přijímat obrázky i text, a GPT-4o (2024) jej zrychlil, zlevnil a nativně dokázal zpracovat zvuk, obraz a text v jediném modelu. Společně definovali moderní éru ChatGPT.
Co znamená „o“ v GPT-4o?
Písmeno 'o' znamená 'omni', což odráží, že GPT-4o je jediný model, který společně zpracovává text, zvuk a obraz.
Proč je hlasový režim GPT-4o rychlejší než dřívější hlasová funkce GPT-4?
Dřívější hlasový režim řetězil tři samostatné modely a přidal zpoždění. GPT-4o zvládá audio end-to-end v jediné síti a snižuje latenci na téměř konverzační rychlost.
Jaký hlavní nový typ vstupu zavedl GPT-4 oproti GPT-3.5 při uvedení na trh?
GPT-4 byl velký multimodální model, který mohl kromě textu přijímat i obrazové vstupy, což GPT-3.5 postrádalo.
Jakou velikost kontextového okna GPT-4 Turbo nabízel?
GPT-4 Turbo rozšířil kontextové okno na 128k tokenů, což umožňuje mnohem delší dokumenty a konverzace.
Jaká tréninková technika se používá k tomu, aby se GPT-4 a GPT-4o řídily pokyny a chovaly se bezpečně?
Po předtrénování dalšího tokenu jsou modely zpřesněny pomocí RLHF s využitím lidských preferencí k formování užitečného a bezpečného chování po instrukci.