GPT4o (Omni) 对比 Gopher

GPT-4o（“o”代表“omni”）代表着人类与计算机之间更自然的交互的重大飞跃。它旨在处理文本、音频、图像和视频的混合输入，并可以输出文本、音频和图像。令人印象深刻的是，GPT-4o 平均只需 232 毫秒即可处理音频输入，几乎与人类对话中的响应时间相匹配。该模型不仅保留了 GPT-4 Turbo 在英语和编码任务中的高性能，而且在处理非英语语言方面也显示出显着的改进，同时通过其 API 速度更快，成本效益提高了 50%。此外，GPT-4o 在理解视觉和音频方面比以前的模型更出色。

模型功能包括：

• 两个 GPT-4os 互动和唱歌
• 面试准备
• 玩石头剪刀布
• 检测讽刺
• 与 Sal 和 Imran Khan 等人物进行数学讨论
• 音乐和谐
• 通过互动学习语言
• 实时会议翻译
• 唱摇篮曲或生日歌
• 用老爸笑话幽默
• 通过 BeMyEyes 等合作伙伴实时协助视障用户

先前的模型（如 GPT-3.5 和 GPT-4）在语音模式下涉及多步骤过程，延迟时间长达 5.4 秒。此过程使用单独的模型将音频转录为文本，处理文本，然后将响应转换回音频。这通常会导致语气、情绪或背景声音等细微信息的丢失。

GPT-4o 通过统一模型简化了这一过程，该模型可以端到端处理文本、视觉和音频，保留输入的丰富性并实现更具表现力的输出。作为我们首次尝试这种集成模型，GPT-4o 为探索多模态交互及其潜在应用开辟了新途径。

通过 DeepMind 对人工智能语言处理能力的探索，发现人工智能的前沿进展。这一探索的核心是 Gopher，这是一个拥有 2800 亿参数的语言模型，旨在理解和生成类人文本。语言是人类智力的核心，使我们能够表达思想、创造记忆和促进理解。

DeepMind 的跨学科团队意识到其重要性，致力于推动 Gopher 等语言模型的发展，平衡创新与道德考虑和安全性。了解这些语言模型如何通过提高从阅读理解到事实检查等任务的性能来推进人工智能研究，同时识别逻辑推理挑战等限制。还关注与大型语言模型相关的潜在道德和社会风险，包括偏见和错误信息的传播，以及为减轻这些风险而采取的步骤。