GPT-4o

GPT-4o («o» — «omni») — это шаг к более естественному взаимодействию человека и компьютера. Он принимает на вход любую комбинацию текста, звука и изображения и генерирует на выходе любую комбинацию текста, звука и изображения. Он может реагировать на аудиовходы всего за 232 миллисекунды, а в среднем за 320 миллисекунд, что аналогично времени реакции человека в разговоре. Он соответствует производительности GPT-4 Turbo при работе с текстом на английском и кодовом языках, при этом значительно улучшая работу с текстом на неанглийских языках, а также будучи намного быстрее и на 50 % дешевле в API. По сравнению с существующими моделями GPT-4o особенно хорошо справляется со зрением и пониманием звука.