当地时间5月13日，OpenAI在万众期待中推出了名为GPT-4o的新一代旗舰AI模型。当日，OpenAI首席执行官阿尔特曼发推文表示，新的GPT-4o是OpenAI“有史以来最好的模型”。据悉，GPT-4o支持文字、图像、语音和视频输入和输出，OpenAI承诺未来将免费让普通用户使用，同时将开放API给GPT开发者，价格直接便宜50%。目前，该...
在刚刚的发布会上，OpenAI发布了最新的GPT-4o多模态大模型，可实时跨文本、音频、视觉（图像与视频）进行推理，GPT-4o的o代表omni，也就是全能的意思。同时，与之前的GPT-4 Trubo相比，GPT-4o不仅相应速度更快，并且价格也更便宜。例如，过去的语音模式需要调用三个模型，也就是转写、智能和文生语音功能，所以...
万众期待中，北京时间5月14日凌晨，OpenAI在首次“春季新品发布会”上拿出了“杀手锏”——新一代旗舰生成模型GPT-4o和桌面程序。根据OpenAI官方网站介绍，GPT-4o中的“o”代表Omni，指的是该模型处理文本、语音和视频的能力，也就是“全能”的意思。据悉，GPT-4o将在接下来的几周内“迭代”地推出到公司的开发...
美西时间上午10点整，OpenAI首席技术官米拉·穆拉提（Mira Murati）进入了直播室，向观众介绍了这次春季大更新，其中包括桌面版本的ChatGPT，更新的用户界面，以及最重要的，新的旗舰模型—GPT-4o。（穆拉提在发布会现场）GPT-4o中的“o”代表“Omnimodal”，顾名思义，这是一个基于GPT-4之上的多模态大模型。更值...
GPT-4o：时延大幅缩短，有望加速AI硬件落地 北京时间5月14日凌晨，OpenAI发布其首个端到端多模态模型GPT-4o。我们认为本次发布的主要亮点是大幅缩短的大模型响应时延。根据公司披露，GPT-4o语音模式平均时延320毫秒，与人类在对话中的响应时间相似，而GPT-3.5及GPT-4的时延分别为2.8秒和5.4秒，这为大模型在...
从效果上来看，这次发布GPT-4o与之前的版本相比，最大的改进在于它在整合方面的精细度。它将所有模态集成在一个端到端的模型中，而之前的GPT-4在语音识别和语音回复方面还是由三个不同的模块完成的，尽管这些模块已经提供了相当不错的体验，尽管可能需要等待一两秒。这次整合后，GPT 4o能够实现大约300毫秒的延迟...
在GPT-4o上，OpenAI训练了一个跨文本、视觉和音频的端到端新模型，这意味着所有输入和输出都来自同一个神经网络。这大概是这个多模态模型在理解与生成能力以及反应速度上都获得明显提升的核心原因。事实上，不需要跨模态融合、由同一神经网络完成训练的原生多模态大模型，正是国内大模型创业公司正在试图突破的方向。
随着Gemini 和 GPT-4o 等系列的发布,本文尝试总结一些最近全模态相关的工作。采用联合文本、图像、语音和视频进行训练,用一个端到端的模型可以支持文本、语音和图像三个模态,在支持图生文的同时也支持文生图。 Emu 论文标题: Emu: Generative ...
5月15日，美国人工智能公司OpenAI的春季功能更新会正式召开，OpenAI首席技术官MiraMurati发布了公司的最新模型GPT-4o。据介绍，GPT-4o的速度是GPT-4（特别是GPT-4Turbo）的两倍，但价格只有一半，且升级了模型在文本、视觉和音频方面的功能。同时基于GPT-4o，OpenAI还对ChatGPT做了更新，增加了更强的语音和视觉功能...
5月中旬，OpenAI推出新旗舰模型GPT-4o，凭借自然流畅的实时音视频交互震惊世界。仅仅一个多月之后，在我国一年一度的最大人工智能盛会WAIC 2024上，商汤科技正式推出日日新5.5，以及可进行流式多模态交互的5o版本，不仅多项测评超GPT-4o，还实现实时跨文本、音频、图像与视频推理。▲商汤日日新5.5多项核心指标测评...