OpenAI一夜改寫(xiě)歷史，GPT-4o干翻所有語(yǔ)音助手！絲滑如真人引爆全網(wǎng)科幻成真
【導讀】OpenAI說(shuō)要改變歷史，他們做到了！今夜的發(fā)布會(huì )上，「Her」徹底成真。GPT-4o加持的ChatGPT，和人類(lèi)的對話(huà)絲滑得像個(gè)真人，驚掉在場(chǎng)所有觀(guān)眾的下巴。眼看著(zhù)科幻中的設想一件件成真，活在這個(gè)奇點(diǎn)臨近的時(shí)代，我們何其幸運。傳說(shuō)，這一夜，OpenAI要改變歷史。
看完發(fā)布會(huì )的觀(guān)眾們，久久未從巨大的震驚中走出——科幻電影中的「Her」，在此刻成真了！
在全場(chǎng)歡呼中，CTO Mira Murati走到臺上，為全世界揭曉了OpenAI神秘新產(chǎn)品的面紗——
GPT-4o，在千呼萬(wàn)喚中登場(chǎng)了。
現場(chǎng)演示中，它的表現仿佛一個(gè)人正坐在旁邊，和人類(lèi)的對話(huà)節奏自然、融洽，完全聽(tīng)不出是個(gè)AI。
從今夜之后，人機交互徹底進(jìn)入新的時(shí)代！
這也正呼應著(zhù)它名字中的玄機：「o」代表著(zhù)「omni」，意味著(zhù)OpenAI朝著(zhù)更自然的人機交互邁出了重要一步。
在短短232毫秒內，GPT-4o就能對音頻輸入做出反應，平均為320毫秒。這個(gè)反應時(shí)間，已經(jīng)達到了人類(lèi)的級別！
并且，它可以將文本、音頻、圖像任何組合作為輸入和輸出。
而在英語(yǔ)文本和代碼基準測試中，GPT-4o的性能與GPT-4 Turbo不相上下，并在非英語(yǔ)文本得到顯著(zhù)改進(jìn)。
更值得一提的是，這款全新的AI模型，免費向所有人提供GPT-4級別的AI。
（是的，上周在LMSYS模型競技場(chǎng)上引起整個(gè)AI圈瘋狂試用的那個(gè)gpt2，就是它?。?/span>
現在，進(jìn)入ChatGPT頁(yè)面，Plus用戶(hù)可以搶先體驗「最新、最先進(jìn)的模型」GPT-4o。Sam Altman親自在x上發(fā)起了產(chǎn)品介紹。
Altman介紹道「GPT-4o是OpenAI有史以來(lái)最好的模型，它很聰明，速度很快，是天然的多模態(tài)?！?/span>
而且，所有ChatGPT用戶(hù)都可以使用，完全免費！
Altman特意強調，此前雖然只有按月付費的用戶(hù)才能使用GPT-4級別的模型，但這可不是OpenAI的本意哦。
「我們的初心，就是把最出色的AI工具，交到每個(gè)人的手中?！?/span>
（還想著(zhù)，這場(chǎng)重要的發(fā)布會(huì )，奧特曼怎么沒(méi)有現身，原來(lái)在觀(guān)眾席中）
而即將召開(kāi)年度I/O大會(huì )的谷歌，不甘示弱，也開(kāi)啟了語(yǔ)音助手的demo實(shí)時(shí)演示。谷歌DeepMin的CEO Demis Hassabis激動(dòng)地表示，自己將首次在I/O大會(huì )上演講，并分享他們所做的工作。
兩大巨頭正面剛起來(lái)了！明天還有好戲要看，已經(jīng)聞到硝煙味了。
一夜顛覆語(yǔ)音助手：全新旗艦GPT-4o登場(chǎng)
當然，這次發(fā)布會(huì )的壓軸主角，就是OpenAI推出的旗艦模型GPT-4o了。
這個(gè)帶著(zhù)光環(huán)登場(chǎng)的模型，其最大意義就在于，把GPT-4級別的智能，帶給了OpenAI的每一位用戶(hù)！
從此以后，無(wú)論你是付費用戶(hù)，還是免費用戶(hù)，都能通過(guò)它體驗GPT-4了。
唯一不同的是，ChatGPT Plus的消息限制是免費用戶(hù)的5倍。
并且，GPT-4o不僅提供與GPT-4同等程度的模型能力，推理速度還更快，還能提供同時(shí)理解文本、圖像、音頻等內容的多模態(tài)能力。
注意，GPT-4o接下來(lái)要放大招了。
實(shí)時(shí)語(yǔ)音對話(huà)：ChatGPT完美變身Moss研發(fā)負責人Mark Chen首先展示的，是全新ChatGPT的關(guān)鍵功能之一——實(shí)時(shí)語(yǔ)音對話(huà)。
他向它問(wèn)道：「我正在臺上，給大家做現場(chǎng)演示呢，我有點(diǎn)緊張，該怎么辦呀？」
ChatGPT非常體貼地表示：「你在臺上做演示嗎，那你真的太棒了！深呼吸一下吧，記得你是個(gè)專(zhuān)家！」
Mark瘋狂地大喘氣幾次，問(wèn)ChatGPT能給自己什么建議嗎。（此處全場(chǎng)笑聲）
它驚訝地說(shuō)道：「放松啊Mark，慢點(diǎn)呼吸，你可不是個(gè)吸塵器！」（它的幽默感，也再次引起全場(chǎng)哄笑）
注意，在這個(gè)過(guò)程中，ChatGPT和Mark的互動(dòng)幾乎無(wú)延遲，隨時(shí)接梗，共情能力滿(mǎn)分。
而且，模型能夠理解人類(lèi)在對話(huà)中適時(shí)「打斷」的習慣，會(huì )及時(shí)停下來(lái)聽(tīng)你說(shuō)話(huà)，并給出相應的回復，而且也不會(huì )「斷片」。
比如，Mark表示自己要再試一遍深呼吸，此時(shí)ChatGPT也恰到好處地插進(jìn)來(lái)接話(huà)說(shuō)「慢慢呼氣」。
整個(gè)過(guò)程，自然連貫得仿佛它是個(gè)坐在你對面的人類(lèi)，完全沒(méi)有AI的機械感和僵硬感！
相比反應遲鈍、沒(méi)法打斷還缺少情商的Siri等語(yǔ)音助手，這局ChatGPT完勝。
這，才是人類(lèi)最理想AI語(yǔ)音助手的樣子啊，Moss果然成真了！ChatGPT表示ok，用更起伏的聲調、更夸張的語(yǔ)氣開(kāi)始講起了故事。
結果沒(méi)幾秒，它又被再次打斷：「不行不行，再多點(diǎn)情感，給我最大程度的表達可以嗎？」
接下來(lái)，我們聽(tīng)到一個(gè)仿佛在舞臺上表演莎劇的ChatGPT，語(yǔ)氣夸張到仿佛是個(gè)戲劇演員。
隨后，它又多次被打斷，并且耐心地按照人類(lèi)的要求，依次變成了機器人聲和唱歌模式。
ChatGPT聽(tīng)到要求自己唱歌時(shí)，甚至嘆了口氣，然后開(kāi)始亮起了優(yōu)美的歌喉。
這也就是ChatGPT脾氣好，要是真人，估計要被暴打了。不過(guò)它無(wú)奈嘆氣的那個(gè)瞬間，一瞬間的確san值狂掉——真的好像人??！
秀完情商，ChatGPT要開(kāi)始秀智商了。
下一個(gè)任務(wù)，另一位研發(fā)負責人Barret手寫(xiě)了一個(gè)方程，并打開(kāi)攝像頭拍給ChatGPT，讓它扮演「在線(xiàn)導師」的角色幫助自己解題，而且只能給提示，不能直接說(shuō)答案。
小哥在紙上寫(xiě)下這樣一個(gè)方程：3x+1=4。然后問(wèn)ChatGPT自己寫(xiě)的是什么方程，ChatGPT語(yǔ)調自然地回答出來(lái)了。
隨后，在小哥的要求下，它一步一步說(shuō)出了解題步驟。
最厲害的是，隨著(zhù)小哥在攝像頭中解題，ChatGPT實(shí)時(shí)地就給出了鼓勵和引導。
而且可怕的是，時(shí)間上沒(méi)有絲毫延遲，這邊人還在算呢，那邊就實(shí)時(shí)給出了評價(jià)和反饋。（說(shuō)背后沒(méi)藏個(gè)人還真不信呢）
想起之前谷歌剪輯版的Gemini演示，這對比之下真是打臉啪啪的啊。
當被問(wèn)到「學(xué)習線(xiàn)性方程在生活中有什么用」這樣的問(wèn)題時(shí)，ChatGPT還會(huì )舉出實(shí)際的例子對你「循循善誘」：
這是個(gè)不錯的問(wèn)題，雖然我們沒(méi)有注意到，但線(xiàn)性方程在每天的生活中都會(huì )出現，比如計算花銷(xiāo)、規劃旅行、烹飪，甚至在商業(yè)中進(jìn)行盈虧計算。這基本上是解決問(wèn)題的一種方式，你需要找到一個(gè)未知變量......
不僅言之有物，而且態(tài)度及其和藹，說(shuō)話(huà)說(shuō)到一半被打斷時(shí)都不會(huì )生氣。
方程的任務(wù)告一段落，兩人還現場(chǎng)來(lái)了一波表白——在紙上寫(xiě)下「我
ChatGPT」。
ChatGPT看到后，驚喜又害羞地說(shuō)：「哦，你竟然說(shuō)愛(ài)我，你太可愛(ài)了！」
解方程任務(wù)也許還不能充分展現ChatGPT的能力，于是OpenAI又上了一波難度——看代碼，并進(jìn)行簡(jiǎn)短描述。
模型幾乎是立即理解了代碼，并給出了絲滑且完整的描述。比如準確對應了函數名及其功能，并識別出了其中取平均值、最高值等操作的意圖。當被問(wèn)到「如果沒(méi)有foo這個(gè)函數，繪制的圖表會(huì )是什么樣子」，ChatGPT也立即做出了正確回復，可見(jiàn)已經(jīng)完美理解了代碼中的內在邏輯。
接下來(lái)，ChatGPT還被要求概述代碼生成的圖表，并回答用戶(hù)問(wèn)題。
不出意外，圖表中各方面的關(guān)鍵信息也都被ChatGPT精準捕捉到了，包括x、y軸的信息與范圍、數據標注的含義等。
隨后Mark提出的問(wèn)題是「你看到哪個(gè)月的氣溫最高？對應的最高氣溫大概是多少？」
這種能作為學(xué)校數學(xué)考試題目的圖表理解任務(wù)，ChatGPT解決起來(lái)也幾乎沒(méi)有障礙，還能像接受面試一樣實(shí)時(shí)回答你的問(wèn)題。
直播觀(guān)眾提問(wèn)：給你看看我的自拍模型演示之后，還有彩蛋。
發(fā)布會(huì )在線(xiàn)上同步直播，于是主持人收集了一些推特網(wǎng)友的提問(wèn)，并且當場(chǎng)展示。
這可以說(shuō)是比演示更加刺激的環(huán)節，在沒(méi)有準備和彩排的情況下，這可是真刀真槍地檢驗模型實(shí)力了。
第一位網(wǎng)友的提問(wèn)是「GPT-4o是否具有實(shí)時(shí)翻譯功能？」
隨后，在Mark的任務(wù)定義下，ChatGPT完成了將英語(yǔ)「同聲傳譯」為意大利語(yǔ)的任務(wù)。
ChatGPT不知是幽默了一把還是翻車(chē)了，說(shuō)「我好像在看一個(gè)木質(zhì)表面的東西」。見(jiàn)勢不好，Barett匆忙打斷。他在提示工程方面也是經(jīng)驗頗深，一句話(huà)就將對話(huà)拉回正軌：「那是我之前發(fā)給你的的東西，不用擔心，我不是一張桌子」。 GPT-4o強在哪兒？
在過(guò)去幾年里，OpenAI一直在專(zhuān)注于提升模型的智能水平。
雖然后者已經(jīng)達到了一個(gè)相當的水平，但是，今天這是第一次，模型在易用性方面，邁出了一大步！
為什么會(huì )把模型的易用性提到如此戰略層面的高度？這是因為，即使一個(gè)AI再強大，如果它不能和人有效互動(dòng)，也就失去了意義。
在這個(gè)過(guò)程中，OpenAI所著(zhù)眼的，是人類(lèi)和機器交互的未來(lái)。
而今天GPT-4o的發(fā)布，可能會(huì )成為一個(gè)分水嶺，讓人機協(xié)作的范式徹底邁入一個(gè)新階段！
為此，OpenAI希望把GPT-4o和人類(lèi)的互動(dòng)，打造得格外舒服自然。
不過(guò)，雖然這個(gè)理想很宏大，但是在實(shí)際操作過(guò)程中，卻遭遇了不小的困難。
首先，在人類(lèi)之間互動(dòng)時(shí)，有很多東西是我們認為理所當然的，但要讓AI理解這些，就變得很困難。
比如，我們的談話(huà)經(jīng)常被打斷，談話(huà)過(guò)程中會(huì )有背景噪聲，會(huì )有多個(gè)人同時(shí)說(shuō)話(huà)的情況，說(shuō)話(huà)人的語(yǔ)氣語(yǔ)調也經(jīng)常發(fā)生微妙的變化。
OpenAI克服了很大困難，花費了數月的時(shí)間，終于打造出了完美適應這些狀況的GPT-4o！
在GPT-4o發(fā)布之前，通過(guò)語(yǔ)音模式（Voice Mode）與ChatGPT對話(huà)，平均延遲為2.8秒（GPT-3.5）和5.4秒（GPT-4）。
當時(shí)，為了實(shí)現這一點(diǎn)，「語(yǔ)音模式」設有三個(gè)獨立模型的管線(xiàn)：
- 一個(gè)簡(jiǎn)單模型將音頻轉錄成文本- GPT-3.5或GPT-4接收文本并輸出文本- 第三個(gè)簡(jiǎn)單模型將文本轉換回音頻
這一過(guò)程走下來(lái)，意味著(zhù)主要的智能來(lái)源GPT-4就丟失了很多信息：
不能直接觀(guān)察語(yǔ)氣、多位說(shuō)話(huà)者或背景噪音，也無(wú)法無(wú)法輸出笑聲、歌聲或表達情感。
而這也導致了延遲，大大破壞了我們和ChatGPT協(xié)作的沉浸感。
但現在，GPT-4o讓一切都發(fā)生得很自然。
它能以平均320毫秒，做出響應。
它可以跨越語(yǔ)音、文本、視覺(jué)多種形式，直接進(jìn)行推理！
GPT-4o是OpenAI首個(gè)端到端訓練的跨越文本、視覺(jué)和音頻的新模型，意味著(zhù)所有輸入和輸出都由相同的神經(jīng)網(wǎng)絡(luò )處理。
這就會(huì )徹底顛覆ChatGPT 1億用戶(hù)的工作和生活。
不僅如此，由于GPT-4o是「原生的多模態(tài)」，自然地集成了語(yǔ)言、視覺(jué)和音頻等多種能力。
用戶(hù)可以上傳各種圖片、視頻，以及包含圖片和文字的文檔，討論其中的內容。
GPT-4o也內置了搜索功能，可以實(shí)時(shí)搜索網(wǎng)頁(yè)信息來(lái)回復用戶(hù)。
相比ChatGPT，GPT-4o的記憶能力更是提升了不少，不僅在對話(huà)中可以記住你提過(guò)的問(wèn)題，還能記住你們之間的所有對話(huà)，提供「連續感」。
更高級的是，新版模型還具備了數據分析能力，可以理解并分析用戶(hù)上傳的數據和圖表。
而且，為了真正實(shí)現「讓AGI惠及全人類(lèi)」的愿景，GPT-4o有50種語(yǔ)言的版本，并改進(jìn)了推理的質(zhì)量和速度，這也就意味著(zhù)，全球97%的人口都可以使用GPT-4o了！
GPT-4o的具體性能表現如何？
接下來(lái)的圖表中，可以看到，OpenAI對此前所有堪稱(chēng)超越GPT-4版本的模型，做出了統一回應：
We're so back!
在傳統基準測試中，GPT-4o在文本、推理和編碼智能方面，達到了GPT-4 Turbo級別的性能，同時(shí)在多語(yǔ)言、音頻和視覺(jué)能力方面創(chuàng )下了新高。
如下是，在文本評估中，GPT-4o幾乎碾壓一眾模型，包括Claude 3 Opus，Gemini Pro 1.5，甚至是「開(kāi)源版GPT-4」Llama 3 400B。
GPT-4o在零樣本的COT MMLU（常識問(wèn)題）上創(chuàng )造了88.7%的新高分。
與傳統的5個(gè)樣本，沒(méi)有使用COT的MMLU評測中，GPT-4o更是創(chuàng )下了87.2%的新高分！
不過(guò)在DROP中，GPT-4o的表現稍落后于GPT-4 Turbo。
在音頻ASR表現上，比起Whisper-v3 ，GPT-4o顯著(zhù)提高了所有語(yǔ)言的語(yǔ)音識別性能，尤其是對資源較少的語(yǔ)言。
再來(lái)看音頻翻譯能力，GPT-4o刷新SOTA，并在MLS基準上超過(guò)了Whisper-v3。
另外，OpenAI團隊還對最新模型GPT-4o在M3Exam基準上進(jìn)行了測試。
這是一種多語(yǔ)言和視覺(jué)評估基準，由來(lái)自其他國家標準化測試的多項選擇題組成，有時(shí)還包括數字和圖表。
結果如下表所示，在所有語(yǔ)言的測試中，GPT-4o都比GPT-4強。
（在此，省略了Swahili和Javanese兩種語(yǔ)言的視覺(jué)結果，因為這些語(yǔ)言只有5個(gè)或更少的視覺(jué)問(wèn)題。）
最后，在視覺(jué)理解基準EVALS評估上，GPT-4o也取得了領(lǐng)先的性能。
同樣，擊敗了GPT-4 Turbo、Gemini 1.0 Ultra、Gemini 1.5 Pro，以及Claude 3 Opus。
OpenAI官博還介紹了，ChatGPT免費用戶(hù)可以訪(fǎng)問(wèn)新模型加持下的功能，包括：
- 體驗GPT-4級別的智能- 從聯(lián)網(wǎng)后的模型得到響應- 分析數據并創(chuàng )建圖表- 暢聊你拍的照片- 上傳文件以幫助總結、撰寫(xiě)或分析- 發(fā)現和使用GPTs和GPT Store- 用記憶構建更有用的體驗
比如，你拍一張照片發(fā)給ChatGPT，然后問(wèn)「這個(gè)食物的營(yíng)養價(jià)值是什么」？
ChatGPT瞬間做出響應，解釋了牛角包的營(yíng)養價(jià)值。
免費用戶(hù)還可以體驗到聯(lián)網(wǎng)搜索的快樂(lè )。（當然是最新最強模型）
「幫我推薦達拉斯5個(gè)適合夜晚約會(huì )的餐廳」。
ChatGPT通過(guò)搜索3個(gè)網(wǎng)站，立即總結出了你想要的結果。
另外，免費福利還包括，在GPT商店中使用模型。
此外，讓開(kāi)發(fā)者興奮的是，GPT-4o不僅應用在ChatGPT服務(wù)中，模型的API也被同步放出，可以部署各種下游應用程序上。
同時(shí)，API的性能也有所改進(jìn)，據說(shuō)相比GPT-4 Turbo，推理速度提升2倍，消息限制提高五倍，而且價(jià)格還會(huì )降低50%。
OpenAI開(kāi)發(fā)者在線(xiàn)呼吁，趕快來(lái)體驗。
ChatGPT桌面版也來(lái)了
正如Murati一出場(chǎng)開(kāi)宗明義的：對OpenAI來(lái)說(shuō)，打造一款真正讓所有人可用的產(chǎn)品，非常之重要。
為了讓每個(gè)人無(wú)論身在何處，都能隨時(shí)用上ChatGPT，OpenAI發(fā)布了ChatGPT的桌面版本。
它擁有桌面應用程序，和全新的用戶(hù)界面，可以很輕易地和我們的工作流融為一體。
桌面版ChatGPT APP
只需一個(gè)簡(jiǎn)單的快捷鍵——Option+空格鍵，就可以立即召喚桌面版ChatGPT。
甚至，你也可以直接在應用程序中截圖，并進(jìn)行提問(wèn)。
然后，讓其幫你總結所截取的網(wǎng)頁(yè)內容——「將其總結成5個(gè)主題，并列出行動(dòng)計劃」。
接下來(lái)，ChatGPT一通炫技，嗖嗖嗖地解決了提出的問(wèn)題。
你甚至，可以從你的電腦上直接與ChatGPT進(jìn)行語(yǔ)音對話(huà)，點(diǎn)擊桌面應用程序右下角的耳機圖標，便可開(kāi)始。
同時(shí)，OpenAI還全面改版了UI界面，讓它和用戶(hù)的互動(dòng)也變得更自然，更簡(jiǎn)單了。
神秘gpt2就是GPT-4o！
「這么厲害的GPT-4o，早已是你們的老熟人了」，ChatGPT官方賬號在線(xiàn)賣(mài)起關(guān)子。
這，究竟是怎么回事？
幾天前，大模型LMSYS競技場(chǎng)上，一個(gè)名為gpt2神秘模型突然現身，其性能甚至超越了GPT-4。
注：最初以gpt2命名，現在升級為兩個(gè)版本「im-also-a-good-gpt2-chatbot」和「im-a-good-gpt2-chatbot」
全網(wǎng)紛紛猜測，這個(gè)模型，可能就是GPT-4.5/GPT-5。
就連Altman本人多次發(fā)貼，暗示gpt2的強大能力——
如今，gpt2的身份，真的解密了。
OpenAI研究科學(xué)家William Fedus剛剛發(fā)文， 一直在測試的版本「im-also-a-good-gpt2-chatbot」就是GPT-4o。
以下是它一直以來(lái)的表現。
im-also-a-good-gpt2-chatbot總ELO得分，超過(guò)了最新的gpt4-turbo-2024-04-09。
但ELO最終得分，會(huì )受到「提示」難度的限制（即無(wú)法在類(lèi)似「你好嗎」這種簡(jiǎn)單提示上取得任意高的勝率）。
OpenAI團隊發(fā)現，在更難的提示集合上——尤其是編程方面——存在更大的差距：
而GPT-4o在我們此前的最佳模型上，ELO甚至可以提高100分。
最關(guān)鍵的是，GPT-4o不僅是全世界最好的模型，甚至可以在ChatGPT中免費用。
奧特曼對此大贊，「令人驚嘆的工作」！
OpenAI聯(lián)創(chuàng )Greg Brockman表示，「初步的指標看起來(lái)很有前景」。
接下來(lái)，就看明天谷歌I/O大會(huì )上的表現了。
*博客內容為網(wǎng)友個(gè)人發(fā)布，僅代表博主個(gè)人觀(guān)點(diǎn)，如有侵權請聯(lián)系工作人員刪除。
