北京时间5月14日，OpenAI举行春季发布会。OpenAI在活动中发布了新旗舰模型“GPT-4o”！据OpenAI首席技术官穆里·穆拉蒂（Muri Murati）介绍，GPT-4o在继承GPT-4强大智能的同时，进一步提升了文本、图像及语音处理能力，为用户带来更加流畅、自然的交互体验，更多详情可点击查看官网。

GPT-4o的“o”代表“omni”，源自拉丁语“omnis”。在英语中“omni”常被用作词根，用来表示“全部”或“所有”的概念。GPT-4o是一个多模态大模型，支持文本、音频和图像的任意组合输入，并能生成文本、音频和图像的任意组合输出。与现有模型相比，它在视觉和音频理解方面尤其出色。

GPT-4o可以在音频、视觉和文本中进行实时推理，接受文本、音频和图像的任何组合作为输入，并生成文本、音频和图像的任何组合进行输出。它可以最短在232毫秒内响应音频输入，平均为320毫秒，这与人类在对话中的响应时间相似。

GPT-4o 在 0 次 COT MMLU（常识问题）上创下了 88.7% 的新高分。所有这些评估都是用我们的新 简单评估（在新窗口中打开）。此外，在传统的 5 次无 CoT MMLU 上，GPT-4o 创下了 87.2% 的新高。（注：3400b（在新窗口中打开）还在训练）

GPT-4o 在语音翻译方面创下了新的领先地位，并在 MLS 基准测试中优于 Whisper-v3。

M3Exam 基准测试既是多语言评估，也是视觉评估，由来自其他国家标准化考试的多项选择题组成，有时包括数字和图表。GPT-4o 在所有语言的基准测试中都比 GPT-4 强。（我们省略了斯瓦希里语和爪哇语的视力结果，因为这些语言只有 5 个或更少的视力问题。）

GPT-4o 在视觉感知基准测试中实现了最先进的性能。全面碾压之前的模型。所有视觉评估均为 0 次，其中 MMMU、MathVista 和 ChartQA 为 0 次 CoT。

GPT-4o 在语音交互方面取得了重大进展。它采用了先进技术，显著提高了响应速度，使得对话更加流畅自然。在最近的发布会上，OpenAI 展示了 GPT-4o 在语音对话中的表现，它能够几乎实时地回答问题，并通过文本转语音技术进行朗读，提供了一种沉浸式的交流体验。此外，GPT-4o 还可以调整说话的语气，从夸张戏剧到冰冷机械，以适应不同的交流场景。令人兴奋的是，GPT-4o 还具备唱歌的功能，增添了更多的趣味性和娱乐性。

不仅在传统的文本能力上GPT-4 Turbo的性能相当，还在 API 方面更快速，价格还更便宜 50%。总结来说，与 GPT-4 Turbo 相比，GPT-4o 速度提高了 2 倍，价格减半，限制速率提高了 5 倍。截至 2024 年 5 月 13 日，Plus 用户将能够在 GPT-4o 上每 3 小时发送多达 80 条消息，在 GPT-4 上每 3 小时发送多达 40 条消息。我们可能会在高峰时段减少限制，以保持 GPT-4 和 GPT-4o 可供尽可能多的人访问。

GPT-4o 具有相同的高智商，但比 GPT-4 Turbo 更快、更便宜，并且具有更高的速率限制。

具体说来：

GPT-4o 目前的上下文窗口为 128k，知识截止日期为 2023 年 10 月。

目前，GPT-4o的文本和图像功能已经开始在ChatGPT中逐步推出，用户可以在ChatGPT平台上免费体验到GPT-4o的相关功能，但免费版有使用次数限制，Plus用户可以享受到5倍的调用额度（升级plus详细教程：升级PLUS）。

在接下来的几周内，OpenAI计划将在ChatGPT Plus中推出Voice Mode新版本，该版本带有GPT-4o。这将作为ChatGPT Plus的一个alpha版本提供给PIus用户。此外，GPT-4o也将通过API提供给开发者，作为文本和视觉模型。开发者可以利用AP来集成GPT-4o到他们自己的应用程序

中，而且GPT-4o在API中相比GPT-4Tubo更快、更便宜，并且有更高的速率限制。

至于GPT-4o的音频和视频功能，OpenAl将在未来的几周和几个月内继续开发技术基础设施、通过训练后提高可用性以及确保安全性，之后才会发布这些功能，并逐步向公众提供。