穆拉蒂发布最新多模态大模型GPT-4o
的新品终于官宣，是一个“全能助手”。
北京时间5月14日凌晨，发布最新多模态大模型GPT-4o（o代表omini，全能），支持文本、音频和图像的任意组合输入，并生成文本、音频和图像的任意组合输出。文本、推理和编码智能方面性能达到了GPT-4 Turbo水平，同时在多语言、音频和视觉能力方面也达到新高。据介绍，GPT-4o的速度比GPT-4 Turbo快2倍，速率限制提高5倍，最高可达每分钟1000万token，而价格则便宜了一半。
首席技术官米拉·穆拉蒂（Muri ）在发布会上表示：“通过语音、文本和视觉进行推理非常重要，因为我们正在研究与机器交互的未来。”
官网显示，GPT-4o的文本和图像功能将在更新后提供给所有用户，Plus用户的消息数量使用上限是免费版的5倍（使用上限后会切换回GPT-3.5版本）。而新版语音模式将在未来几周向Plus用户推出，同时也将会在API（应用接口）中向小范围推出对GPT-4o的新音频和视频功能的支持。
穆拉蒂在春季更新发布会上介绍GPT-4o
在发布会现场演示中，GPT-4o可以像人工智能助手一样，实现用户与的实时交互，不再是一问一答，也不需要其他按键操作。
比如，用户可以说“Hi，”并提出问题，也可以在回答时打断它，它还可以识别用户声音中展现的情感，甚至实时根据用户的需求来使用不同情感风格的声音。
据介绍，GPT-4o的音频输入平均反应时间为0.32秒，与人类对话中的反应时间相似。
表示，在GPT-4o之前，使用语音模式与对话的平均延迟时间为2.8秒（GPT-3.5）和5.4秒（GPT-4）。此前的语音模式由三个独立模型组成：一个简单模型将音频转为文本，GPT-4接收文本并输出文本，第三个简单模型将文本转回音频。这个过程也让主要的智能源GPT-4丢失了很多信息，比如不能直接观察音调、多人讲话或背景噪音，也不能输出笑声、歌声或表达情感。而GPT-4o通过在文本、视觉和音频方面训练了一个端到端新模型，所有输入和输出都由同一个神经网络处理。
不过，也坦言，由于GPT-4o是公司首个结合了所有前述模式的模型，因此在探索模型功能及其局限性方面仍处于起步阶段，GPT-4o也开始扩大红队（测试）的访问权限。
此外，GPT-4o还提高了的视觉能力。在现场演示中，通过手机实时拍摄的视频或电脑桌面屏幕上的截图，可以快速回答相关问题，帮助解决计算、编程等问题。
演示中还出现了一段小插曲。因为“幻觉”问题，在还没打开摄像头看到画面时就表示理解了，在演示者提示后，她说“哎呀，我太兴奋了”，随后实时指导完成了一道数学题。
同时，还在X（推特）上实时搜集到网友的反馈，进行了的情绪分析演示。通过演示者的实时摄像头画面，对表情中的开心、兴奋等情绪做出了分析。
GPT-4o的英语和代码文本性能与GPT-4 Turbo相当，在非英语语言文本方面也有显著提高，能支持50种语言。发布会上，穆拉蒂演示了让全新充当只会意大利语与只会英语的两人的翻译，实现了跨语种交流的无缝衔接。
GPT-4o速度比GPT-4 Turbo快2倍，价格则便宜了一半
发布会上，还发布了电脑桌面版和新UI界面。根据官方公告，目前仅适用于macOS，版将在今年晚些时候推出。
“我们知道这些模型越来越复杂，但我们希望交互体验变得更加自然、轻松，并且让你根本不关注用户界面，而是专注于与GPT（交互）。”穆拉蒂表示。
CEO山姆·奥特曼（Sam ）也表示：“对我来说，与电脑交谈从来没有真正自然过，而现在却很自然……我真的看到了一个令人兴奋的未来，我们可以用电脑做比以往更多的事情。”
“AI达到人类级别的响应时间和表现力是一个很大的改变，给人的感觉就像电影中的人工智能，而它的真实性仍然让我感到有些惊讶。”他表示，“最初的展示了语言界面的雏形，而这款新模型给人的感觉却截然不同，它快速、智能、有趣、自然而且乐于助人。”
奥特曼还发文“her”，或许也表达了他对GPT-4o的评价以及对未来的畅想（在电影《Her》中，人工智能助手主动给男主人公打了电话，告知他一些事情）。
山姆·奥特曼的推文
奥特曼表示，的一项重要使命就是免费（或以优惠价格）向人们提供功能强大的人工智能工具，“我感到非常自豪的是，我们在中免费提供了世界上最好的模型，并且没有广告或类似的东西”。
他表示：“我们是一家企业，会找到很多可以收费的东西，这将帮助我们为数十亿人提供免费、出色的人工智能服务（希望如此）。”
此前，据外媒报道，苹果公司已接近与达成协议，今年将后者的部分技术引入，提供由支持的“聊天机器人”作为iOS 18中人工智能功能的一部分。
不过，苹果同时还与谷歌就授权聊天机器人进行了谈判。而谷歌将在此次春季更新发布会之后一天举行I/O开发者大会，谷歌在大会的官方博文中曾提到“ 时代”，预计将会发布大模型的最新动态。
