GPT-4o

GPT-4o — модель OpenAI, представленная в мае 2024 года. Буква «o» в названии означает «всё сразу»: компания обучила одну нейросеть, которая целиком, от входа до выхода, работает с текстом, изображениями и звуком. Раньше голосовой режим ChatGPT собирали из трёх отдельных моделей: одна переводила речь в текст, GPT-4 отвечала текстом, третья озвучивала ответ. По словам OpenAI, при такой схеме терялись интонация, голоса нескольких собеседников и фоновые звуки.

По данным анонса, на английском тексте и в программировании GPT-4o держится на уровне GPT-4 Turbo, а на других языках, с картинками и со звуком работает заметно лучше. В API она вдвое быстрее и вдвое дешевле GPT-4 Turbo. На голос модель, по замерам лаборатории, отвечает в среднем за 320 миллисекунд, что близко к темпу живого разговора. У предыдущих версий голосового режима на ответ уходило несколько секунд.

Долгое время GPT-4o была основной моделью ChatGPT. В документации OpenAI её называли универсальным флагманом и «лучшей моделью для большинства задач», если не брать рассуждающие модели серии o. Её выбирали для чат-ботов, обработки документов и скриншотов, несложного программирования и помощников общего назначения. Через API модель принимает текст и картинки, а отвечает только текстом. Работа со звуком доступна в отдельных голосовых вариантах.

Сейчас GPT-4o — модель прошлого поколения. После неё OpenAI выпустила рассуждающие модели серии o и линейку GPT-5, которые сильнее в сложных многошаговых задачах и агентной работе, то есть в самостоятельном выполнении цепочек действий с инструментами. При этом по цене GPT-4o остаётся в дорогой части каталога. Для новых проектов её берут в основном ради совместимости с уже отлаженными процессами.

источники:Анонс GPT-4o от OpenAI ↗GPT-4o в документации OpenAI ↗