GPT-4o真的有那么离谱吗？

OpenAI

我觉得博客里「Talking faster」的数数字演示最夸张，需要稍微调整一下。

实时语音交互仅是GPT-4o（全模态全能）的冰山一角，更多精彩功能，请耐心了解。最离谱的是免费提供，实在令人费解，OpenAI究竟想做什么？目前我们仅知晓这些信息：

从这个角度看，付费Plus对我吸引力不大，还可能造成付费用户流失。对此，山姆·阿尔特曼更新了博客内容：一是...,二是...第一，免费无可厚非，值得尊敬；第二，后续结合演示详细讨论。先简单记录发布会内容，稍后更新观点。发布会形式简洁，Sam 未现身，由 Mira 简要介绍并进行实时演示，发布内容仅三句便概括完毕。演示环节，工作人员现场展示了几个案例。互动环节中，选取了观众提出的两个典型案例进行分析。根据 OpenAI 官网博客的明显标志（视频均以 1 倍速播放），这或许是在讽刺某些发布虚假录屏的产品。

山姆

官方博客分两篇：一篇介绍GPT-4o，另一篇宣布免费开放给所有人使用。建议查看详细内容。GPT-4o中的o表示Omni（模型），源于拉丁词omnis，意为所有或每个。在英语里，该前缀用于描述包罗万象、全面的概念。简单来说，就是全能模型。GPT-4o 的实际能力远超发布会上的展示内容。更多案例可在相关博客中查看，例如实时翻译、盲人环境辅助、视频会议支持、面试辅助、语言与数学学习帮助，以及唱催眠曲等功能。还有两个 GPT-4o 互相对话的有趣场景，具体可参考他人分享的视频资料。快速讲话可能表明紧张或兴奋，也可能为了传达更多信息。

过去AI配音的小说阅读器总是缺乏情感，枯燥无味。而GPT-4o能够精准识别小说的语境、情感与语调，还能灵活扮演多个角色。OpenAI或许无意间彻底颠覆了AI朗读小说的领域，使其跃升到新的高度。

OpenAI 表示，作为首个整合所有模态的模型，GPT-4o 的能力和局限仍有待深入探索，这表明其潜力巨大，未来可期。坦白讲，如今AI工具越来越易用，可大模型的原理却愈发深奥。若不懂Transformer、端到端等概念，不仅难以掌握AI能力，还会影响Prompt工程的效果。在AI时代，夯实基础才是关键。想快速掌握 GPT 的应用与原理，建议学习网络知学堂的大模型公开课。只要有编程基础，就能跟随行业专家，高效掌握大模型技术基础、Prompt 工程技巧以及微调方法，轻松创建属于自己的大模型应用方案。比如，过去 DALLE 无法写字，如今 GPT-4o 能生成带文字的图片，还支持按需编辑修改。

能将图像融合制作成海报：

能够创作出手写风格的信件或画报：

可以设计基于Logo的纪念币或徽章：

直接转换照片风格：

能够变换字体的文字

能够创建三维物体：

可以直接将Logo设计融入某个物体中：

这段工作令我联想到阿里以往的AnyText，如今一个端到端多模态模型已全面覆盖相关功能，这种全方位的整合能力，确实展现了强大的技术实力与创新奇迹。

接着，GPT-4o同时渲染聊天对话框（之前用DALLE做儿童绘本时，对话气泡是最让我头疼的部分）。

直接识别发言人，转录会议录音：

可直接依据视频概括讲座要点：

这些能力若依靠改造DALLE或Whisper恐怕不易实现，于是OpenAI直接重磅出击，推出了全模态的GPT4-4o。这次视觉模态的进步幅度与意义，丝毫不逊于实时音频对话。确凿证据显示，GPT-4o 就是 LMSys Arena 上的 im-also-a-good-gpt2-chatbot，两者实为同一模型，此前一直未被发现。

与gpt-4-turbo-2024-04-09相比，overall elo提升了57分，编程能力大幅提高了100分。

最新消息，网页版ChatGPT已升级至GPT-4o模型：

模型选择中已包含GPT-4o选项。

分享一下最近的使用感受：第一感受是速度非常快，甚至超越了GPT-4-Turbo，官方提到的提速降价确实名副其实。

测试了生成图像功能，似乎还未更新，和之前的DALLE一样不太智能，效果不如官方示例。

在 GPT-4o 的贡献者页面上，发现了 Ilya Sutskever 的名字。他是重要的参与者之一，对此项目有着显著贡献。

不知道有多少人留意到，Mira 在发布会结束时提到：今天的内容主要集中在免费用户、新的模式和新产品上。但我们同样非常关注下一个前沿领域。不久之后，我们将向大家更新我们在下一重大目标上的进展。 这番话透露出团队不仅着眼于当前的成果，还在积极探索未来的创新方向，为接下来的重大突破做准备。虽然目前的重点是让更多用户受益于新功能，但他们的视野早已投向了更遥远的未来，致力于持续推动技术与体验的革新。现在就等着看下一个大事件了，如果这两周发布狙击谷歌IO的内容，会更有趣……其他回答如下：