GPT-4o震撼登场：全能跨模态AI，人机交互新纪元等你来探

Hello各位好欢迎来到科基圈，我是kiven！

昨日凌晨，在OpenAI的春季发布会上，他们隆重发布了全新的大模型GPT-4o，其中的“o”寓意着“omni”，即全能。GPT-4o不仅具备了实时处理音频、视觉和文本的能力，更是支持超过50种语言，无论是速度还是质量，都达到了前所未有的高度。

GPT-4o的音频处理能力尤为突出。它能在惊人的232毫秒内对音频输入做出反应，这种速度几乎可以与人类进行实时对话。更重要的是，GPT-4o能够随意打断对话，这种交互方式使得与人工智能的交流更加自然和流畅。此外，GPT-4o还能准确识别笑声、歌唱声和情感表达等复杂音频信息，为用户带来更为丰富的交流体验。（图3为音频ASR（自动语音识别）性能，图4为音频翻译性能）

在跨模态交互方面，GPT-4o同样表现出色。它不仅能处理文本、音频和图像等不同类型的数据，还能生成这些类型数据的任意组合输出。这种跨模态交互能力使得GPT-4o在各个领域都有广泛的应用前景，无论是教育、医疗还是娱乐等领域，都将迎来全新的变革。（图5为M3Exam零样本结果/图6为视频理解评估能力）

为了让更多的用户能够体验到GPT-4o的强大功能，OpenAI决定将其能力向免费用户开放。然而，由于资源有限，他们将限制免费用户的数量。一旦达到限定数量，用户将自动降级到GPT-3.5。不过，对于开发者来说，OpenAI还提供了GPT-4o的API接口，价格仅为GPT-4-turbo的一半，但速度却是其两倍，速率限制也高出5倍。这无疑为开发者们提供了更多的选择和机会。

此外，OpenAI还推出了ChatGPT的桌面版应用，为用户提供了更加便捷的交流方式。虽然目前仅支持MacOS系统，但Windows版本也将在不久后推出。这一举措将使得更多的用户能够享受到ChatGPT带来的智能交互体验。（详情见图6）

总之，GPT-4o的发布标志着OpenAI在人工智能领域取得了又一重大突破。它以其全能的能力、实时的音频处理能力和跨模态交互能力赢得了广泛的关注和赞誉。未来，随着GPT-4o的不断发展和应用，我们有理由相信人机交互将变得更加智能、自然和全面。

好了这就是本期栏目的全部内容了，这里是科基圈，我是kive你，我们下期再见！