GPT-4o

Суть

GPT-4o — мультимодальная модель OpenAI для диалога и решения задач на естественном языке. Компания описывает её как модель, способную работать с текстом, изображениями и аудио; в этом варианте каталога указаны текстовые, графические и файловые входы, а ответ формируется текстом.

Сильные стороны

OpenAI отмечает сильные стороны GPT-4o в понимании изображений и аудио, а также в многоязычных задачах. Модель подходит для объяснений, составления и редактирования текстов, рассуждений, помощи с кодом и разбора визуальной информации. Её можно попросить описать изображение, извлечь из него сведения или связать наблюдения с текстовым запросом.

Контекст и модальности

Контекст модели — 128 000 токенов. По данным каталога, на вход принимает текст, изображения и файлы, а на выходе выдаёт текст. Поэтому в описываемой конфигурации она может анализировать визуальные материалы и документы, но не генерирует аудио или изображения.

Типовые сценарии

Подходит для вопросов по документам, краткого пересказа и структурирования информации, подготовки черновиков, перевода и языковой практики. При работе с изображениями полезна для описания сцен, чтения видимого текста и ответов на вопросы о содержимом. Также может помогать разбирать программный код и формулировать варианты решения задачи.

Ограничения

Ответы модели могут содержать ошибки, поэтому важные факты и выводы стоит проверять. Возможности зависят от конкретной конфигурации: перечисленные в каталоге модальности ограничивают этот вариант текстовыми ответами, даже если семейство GPT-4o в целом описывается OpenAI как мультимодальное.

Отличие от соседей по семейству

OpenAI представляет GPT-4o как модель, объединяющую работу с разными типами данных. По сравнению с GPT-4 Turbo компания указывает сопоставимый уровень в текстовых задачах и программировании, а также улучшения в понимании изображений, аудио и языков помимо английского. Здесь речь идёт о конфигурации с текстовым выходом, а не о голосовом интерфейсе.