【绝对有用】快速掌握GPT-4o：详细免费使用指南！

GPT-4o 简介

北京时间5月14日，OpenAI举行了春季发布会，并发布了其新旗舰模型“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强大智能的基础上，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。更多详情请访问官网。

GPT-4o的含义

GPT-4o中的“o”代表“omni”，源自拉丁语“omnis”，在英语中表示“全部”或“所有”。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的性能

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

文本能力

GPT-4o在0次COT MMLU（常识问题）上创下了88.7%的新高分。此外，在传统的5次无CoT MMLU上，GPT-4o创下了87.2%的新高分。

音频能力

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

各种语言的考试能力

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表现更好。

视觉理解

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

语音交互

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，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。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。此外，GPT-4o还具备唱歌的功能，增添了更多的趣味性和娱乐性。

GPT-4 Turbo与GPT-4o

GPT-4o不仅在传统的文本能力上与GPT-4 Turbo性能相当，还在API方面更快速，价格便宜50%。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用户可以在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。在高峰时段可能会减少限制，以保持GPT-4和GPT-4o的可用性。

具体比较

• 定价：GPT-4o比GPT-4 Turbo便宜50%，输入费用为5美元/月，输出代币费用为15美元/M。
• 速率限制：GPT-4o的速率限制比GPT-4 Turbo高5倍，每分钟最多1000万个代币。
• 速度：GPT-4o的速度是GPT-4 Turbo的4倍。
• 视觉：GPT-4o在与视觉能力相关的评估中表现优于GPT-4 Turbo。
• 多语言：GPT-4o改进了对非英语语言的支持，超过了GPT-4 Turbo。
• 上下文窗口：GPT-4o的上下文窗口为128k，知识截止日期为2023年10月。

使用GPT-4o的方法

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）。OpenAI计划在接下来的几周内在ChatGPT Plus中推出带有GPT-4o的Voice Mode新版本，作为ChatGPT Plus的一个alpha版本。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API将GPT-4o集成到他们自己的应用程序中。

至于GPT-4o的音频和视频功能，OpenAI将在未来几周和几个月内继续开发技术基础设施，提升可用性并确保安全性，之后才会发布这些功能，并逐步向公众提供。

具体详情参考个人主页的链接。