GPT-4 і GPT-4o
GPT-4 (2023) був революційною великою мультимодальною моделлю OpenAI, яка могла приймати зображення, а також текст, а GPT-4o (2024) зробив її швидшою, дешевшою та здатною обробляти аудіо, зображення та текст в одній моделі.
Огляд
Together they defined the modern era of ChatGPT.
Глибоке занурення
GPT-4, випущений у березні 2023 року, став суттєвим кроком у порівнянні з GPT-3.5: він показав найкращі процентилі на таких іспитах, як тести на балку та AP, обробляв набагато довші підказки та міг міркувати про зображення. Пізніше GPT-4 Turbo додав контекстне вікно 128 тис. токенів і знизив ціни. У травні 2024 року OpenAI представив GPT-4o, де «o» означає «omni», єдину модель, наскрізну підготовлену для тексту, аудіо та зображення. Попередній голосовий режим об’єднував три окремі моделі (перетворення мовлення в текст, потім GPT, потім перетворення тексту в мовлення), додаючи затримку; GPT-4o безпосередньо обробляє аудіо, забезпечуючи голосову розмову майже в реальному часі з емоційним тоном і можливістю переривання. Він також приблизно вдвічі швидший і вдвічі дешевший, ніж GPT-4 Turbo через API, і OpenAI зробив його доступним для безкоштовних користувачів ChatGPT, різко розширивши доступ.
Технічне розуміння
Обидві моделі Transformer лише з декодером, навчені передбачати наступний токен, а потім удосконалені за допомогою підкріпленого навчання від людини (RLHF), щоб слідувати інструкціям і поводитися безпечно. Вирішальним досягненням у GPT-4o є наскрізна мультимодальність: замість маршрутизації мовлення через окремі моделі транскрипції та синтезу одна мережа приймає та випромінює аудіотокени напряму, зберігаючи тон, час і невербальні підказки, скорочуючи затримку приблизно до швидкості розмови (кілька сотень мілісекунд).
Стратегічний вплив
Стратегія постачальника
Дорожні карти постачальників впливають на те, які функції ваша команда може створити далі.
Вартість і бюджет
Комерційні умови та варіанти розгортання впливають на довгострокову вартість і ризик.
Ризики та безпека
Стимули компанії формують стандарти продукту, безпеку та відкритість.
Майбутнє GPT-4 і GPT-4o
GPT-4o встановив шаблон для плавних мультимодальних помічників у режимі реального часу, і наступники OpenAI просуваються далі в міркування (моделі «мислення» серії o, які обдумують, перш ніж відповісти), довший контекст і використання агентських інструментів. Очікуйте нижчих витрат, розширенішої голосової та відеовзаємодії в реальному часі, більш тісної інтеграції додатків і пристроїв, а також моделей, які плавно перемикаються між швидкими відповідями та повільним, ретельним міркуванням залежно від складності завдання. Мультимодальна генерація, яка створює зображення та аудіо нативно, буде продовжувати розширюватися.
Реалізація в реальному світі
Ведення голосової розмови майже в реальному часі за допомогою розширеного голосового режиму ChatGPT, зокрема переривання її на півслові
Завантажити фотографію вмісту холодильника та попросити GPT-4o запропонувати рецепти
Вставлення довгого юридичного контракту в контекстне вікно 128 тис. токенів для узагальнення та виявлення ризиків
Використання можливостей зору для читання та пояснення діаграми, рукописної примітки або знімка екрана повідомлення про помилку
Ризики та огорожі
Оголошення про запуск можуть випереджати стабільність у реальних робочих процесах виробництва.
Зміни в ціноутворенні API або в політиці можуть миттєво порушити припущення.
Залежність від одного постачальника збільшує витрати на блокування та міграцію.
Дорожня карта впровадження
Оцініть постачальників за допомогою власних завдань і наборів даних.
Перегляньте умови конфіденційності, безпеки та юридичні умови перед інтеграцією.
Підтримуйте запасний план для різних моделей або постачальників.
Слідкуйте за примітками до випуску, щоб зміни дорожньої карти не здивували команди.
Продовжуйте досліджувати
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
Наступний посібник
OpenAI GPT-4.5 і GPT-5
Часті запитання
What is GPT-4 and GPT-4o?
GPT-4 (2023) був революційною великою мультимодальною моделлю OpenAI, яка могла приймати зображення, а також текст, а GPT-4o (2024) зробив її швидшою, дешевшою та здатною обробляти аудіо, зображення та текст в одній моделі. Разом вони визначили сучасну епоху ChatGPT.
Що означає «о» в GPT-4o?
Буква «o» означає «omni», що вказує на те, що GPT-4o — це єдина модель, яка одночасно обробляє текст, аудіо та зображення.
Чому голосовий режим GPT-4o швидший, ніж попередня голосова функція GPT-4?
Попередній голосовий режим об’єднував три окремі моделі, додаючи затримку. GPT-4o обробляє наскрізне аудіо в одній мережі, скорочуючи затримку майже до швидкості розмови.
Який основний новий тип введення GPT-4 представив замість GPT-3.5 під час запуску?
GPT-4 була великою мультимодальною моделлю, яка могла приймати вхідні зображення на додаток до тексту, можливості, якої бракувало GPT-3.5.
Який розмір контекстного вікна пропонує GPT-4 Turbo?
GPT-4 Turbo розширив контекстне вікно до 128 тис. токенів, дозволяючи набагато довші документи та розмови.
Яка техніка навчання використовується, щоб змусити GPT-4 та GPT-4о виконувати інструкції та поводитися безпечно?
Після попереднього навчання наступного маркера моделі уточнюються за допомогою RLHF, використовуючи людські уподобання для формування корисної та безпечної поведінки щодо виконання інструкцій.