新智元稱：“這一夜，OpenAI要改變歷史。”
“看完發布會的觀眾們，久久未從巨大的震驚中走出……從今夜之后，人機交互徹底進入新的時代！”
作 者 | 新智元編輯部
本文轉載自“新智元”，混沌君略有刪改
一夜顛覆語音助手：全新旗艦GPT-4o登場
當然，這次發布會的壓軸主角，就是OpenAI推出的旗艦模型GPT-4o了。
這個帶著光環登場的模型，其最大意義就在于，把GPT-4級別的智能，帶給了OpenAI的每一位用戶！
從此以后，無論你是付費用戶，還是免費用戶，都能通過它體驗GPT-4了。
唯一不同的是，ChatGPT Plus的消息限制是免費用戶的5倍。
并且，GPT-4o不僅提供與GPT-4同等程度的模型能力，推理速度還更快，還能提供同時理解文本、圖像、音頻等內容的多模態能力。
注意，GPT-4o接下來要放大招了。
研發負責人Mark Chen首先展示的，是全新ChatGPT的關鍵功能之一——實時語音對話。
他向它問道：「我正在臺上，給大家做現場演示呢，我有點緊張，該怎么辦呀？」
ChatGPT非常體貼地表示：「你在臺上做演示嗎，那你真的太棒了！深呼吸一下吧，記得你是個專家！」
Mark瘋狂地大喘氣幾次，問ChatGPT能給自己什么建議嗎。（此處全場笑聲）
它驚訝地說道：「放松啊Mark，慢點呼吸，你可不是個吸塵器！」（它的幽默感，也再次引起全場哄笑）
注意，在這個過程中，ChatGPT和Mark的互動幾乎無延遲，隨時接梗，共情能力滿分。
而且，模型能夠理解人類在對話中適時「打斷」的習慣，會及時停下來聽你說話，并給出相應的回復，而且也不會「斷片」。
比如，Mark表示自己要再試一遍深呼吸，此時ChatGPT也恰到好處地插進來接話說「慢慢呼氣」。
整個過程，自然連貫得仿佛它是個坐在你對面的人類，完全沒有AI的機械感和僵硬感！
相比反應遲鈍、沒法打斷還缺少情商的Siri等語音助手，這局ChatGPT完勝。
這，才是人類最理想AI語音助手的樣子啊，Moss果然成真了！
不僅如此，ChatGPT的「高情商」也讓觀眾們驚呼太頂了！
對話中，它可以聽懂用戶說話時不同的語調、語氣，還能根據自己的臺詞生成不同語氣的語音，完全沒有「機械感」。
接下來，ChatGPT被要求講一個睡前故事，主題是「戀愛中的機器人」。
ChatGPT沒講幾秒，就被人類粗暴地打斷了：「多點情緒，故事里來點戲劇性行不？」
ChatGPT表示ok，用更起伏的聲調、更夸張的語氣開始講起了故事。
結果沒幾秒，它又被再次打斷：「不行不行，再多點情感，給我最大程度的表達可以嗎？」
接下來，我們聽到一個仿佛在舞臺上表演莎劇的ChatGPT，語氣夸張到仿佛是個戲劇演員。
隨后，它又多次被打斷，并且耐心地按照人類的要求，依次變成了機器人聲和唱歌模式。
ChatGPT聽到要求自己唱歌時，甚至嘆了口氣，然后開始亮起了優美的歌喉。
這也就是ChatGPT脾氣好，要是真人，估計要被暴打了。不過它無奈嘆氣的那個瞬間，一瞬間的確san值狂掉——真的好像人啊！
秀完情商，ChatGPT要開始秀智商了。
下一個任務，另一位研發負責人Barret手寫了一個方程，并打開攝像頭拍給ChatGPT，讓它扮演「在線導師」的角色幫助自己解題，而且只能給提示，不能直接說答案。
接到任務的ChatGPT，甚至開心大叫：「Oops，我好興奮啊！」
小哥在紙上寫下這樣一個方程：3x+1=4。然后問ChatGPT自己寫的是什么方程，ChatGPT語調自然地回答出來了。
隨后，在小哥的要求下，它一步一步說出了解題步驟。
最厲害的是，隨著小哥在攝像頭中解題，ChatGPT實時地就給出了鼓勵和引導。
而且可怕的是，時間上沒有絲毫延遲，這邊人還在算呢，那邊就實時給出了評價和反饋。（說背后沒藏個人還真不信呢）
想起之前谷歌剪輯版的Gemini演示，這對比之下真是打臉啪啪的啊。
當被問到「學習線性方程在生活中有什么用」這樣的問題時，ChatGPT還會舉出實際的例子對你「循循善誘」：
這是個不錯的問題，雖然我們沒有注意到，但線性方程在每天的生活中都會出現，比如計算花銷、規劃旅行、烹飪，甚至在商業中進行盈虧計算。這基本上是解決問題的一種方式，你需要找到一個未知變量......
不僅言之有物，而且態度及其和藹，說話說到一半被打斷時都不會生氣。
方程的任務告一段落，兩人還現場來了一波表白——在紙上寫下「我
ChatGPT看到后，驚喜又害羞地說：「哦，你竟然說愛我，你太可愛了！」
解方程任務也許還不能充分展現ChatGPT的能力，于是OpenAI又上了一波難度——看代碼，并進行簡短描述。
模型幾乎是立即理解了代碼，并給出了絲滑且完整的描述。
比如準確對應了函數名及其功能，并識別出了其中取平均值、最高值等操作的意圖。
當被問到「如果沒有foo這個函數，繪制的圖表會是什么樣子」，ChatGPT也立即做出了正確回復，可見已經完美理解了代碼中的內在邏輯。
接下來，ChatGPT還被要求概述代碼生成的圖表，并回答用戶問題。
不出意外，圖表中各方面的關鍵信息也都被ChatGPT精準捕捉到了，包括x、y軸的信息與范圍、數據標注的含義等。
隨后Mark提出的問題是「你看到哪個月的氣溫最高？對應的最高氣溫大概是多少？」
這種能作為學校數學考試題目的圖表理解任務，ChatGPT解決起來也幾乎沒有障礙，還能像接受面試一樣實時回答你的問題。
模型演示之后，還有彩蛋。
發布會在線上同步直播，于是主持人收集了一些推特網友的提問，并且當場展示。
這可以說是比演示更加刺激的環節，在沒有準備和彩排的情況下，這可是真刀真槍地檢驗模型實力了。
第一位網友的提問是「GPT-4o是否具有實時翻譯功能？」
隨后，在Mark的任務定義下，ChatGPT完成了將英語「同聲傳譯」為意大利語的任務。
第二位網友的提問是「模型可以只通過我的表情識別情緒嗎？」
研發負責人Barett也沒在怕，拿起手機就照了一張自拍，甩給了ChatGPT，問道「我現在是什么情緒呢？」
ChatGPT不知是幽默了一把還是翻車了，說「我好像在看一個木質表面的東西」。
見勢不好，Barett匆忙打斷。他在提示工程方面也是經驗頗深，一句話就將對話拉回正軌：「那是我之前發給你的的東西，不用擔心，我不是一張桌子」。
ChatGPT表示，啊，這就對了嘛。再次引起全場哄笑。這次它給出了非常「人性化」的正確答案——
「看起來你非常開心快樂，帶著大大的笑容，可能甚至有一點興奮。無論正在發生什么事，似乎你心情很好，愿意分享一下有什么高興事嗎？」
Barett順勢表示：「我開心的原因是我們正在做演示，你的表現很棒。」
受到夸獎的ChatGPT居然很風趣地來了一句「哦，別說了，你都讓我臉紅了」，再次逗笑了全場。
GPT-4o強在哪兒？
在過去幾年里，OpenAI一直在專注于提升模型的智能水平。
雖然后者已經達到了一個相當的水平，但是，今天這是第一次，模型在易用性方面，邁出了一大步！
為什么會把模型的易用性提到如此戰略層面的高度？這是因為，即使一個AI再強大，如果它不能和人有效互動，也就失去了意義。
在這個過程中，OpenAI所著眼的，是人類和機器交互的未來。
而今天GPT-4o的發布，可能會成為一個分水嶺，讓人機協作的范式徹底邁入一個新階段！
為此，OpenAI希望把GPT-4o和人類的互動，打造得格外舒服自然。
不過，雖然這個理想很宏大，但是在實際操作過程中，卻遭遇了不小的困難。
首先，在人類之間互動時，有很多東西是我們認為理所當然的，但要讓AI理解這些，就變得很困難。
比如，我們的談話經常被打斷，談話過程中會有背景噪聲，會有多個人同時說話的情況，說話人的語氣語調也經常發生微妙的變化。
OpenAI克服了很大困難，花費了數月的時間，終于打造出了完美適應這些狀況的GPT-4o！
在GPT-4o發布之前，通過語音模式（Voice Mode）與ChatGPT對話，平均延遲為2.8秒（GPT-3.5）和5.4秒（GPT-4）。
當時，為了實現這一點，「語音模式」設有三個獨立模型的管線：
- 一個簡單模型將音頻轉錄成文本
- GPT-3.5或GPT-4接收文本并輸出文本
- 第三個簡單模型將文本轉換回音頻
這一過程走下來，意味著主要的智能來源GPT-4就丟失了很多信息：
不能直接觀察語氣、多位說話者或背景噪音，也無法無法輸出笑聲、歌聲或表達情感。
而這也導致了延遲，大大破壞了我們和ChatGPT協作的沉浸感。
但現在，GPT-4o讓一切都發生得很自然。
它能以平均320毫秒，做出響應。
它可以跨越語音、文本、視覺多種形式，直接進行推理！
GPT-4o是OpenAI首個端到端訓練的跨越文本、視覺和音頻的新模型，意味著所有輸入和輸出都由相同的神經網絡處理。
這就會徹底顛覆ChatGPT 1億用戶的工作和生活。
不僅如此，由于GPT-4o是「原生的多模態」，自然地集成了語言、視覺和音頻等多種能力。
用戶可以上傳各種圖片、視頻，以及包含圖片和文字的文檔，討論其中的內容。
GPT-4o也內置了搜索功能，可以實時搜索網頁信息來回復用戶。
相比ChatGPT，GPT-4o的記憶能力更是提升了不少，不僅在對話中可以記住你提過的問題，還能記住你們之間的所有對話，提供「連續感」。
更高級的是，新版模型還具備了數據分析能力，可以理解并分析用戶上傳的數據和圖表。
而且，為了真正實現「讓AGI惠及全人類」的愿景，GPT-4o有50種語言的版本，并改進了推理的質量和速度，這也就意味著，全球97%的人口都可以使用GPT-4o了！
GPT-4o的具體性能表現如何？
接下來的圖表中，可以看到，OpenAI對此前所有堪稱超越GPT-4版本的模型，做出了統一回應：
We're so back!
在傳統基準測試中，GPT-4o在文本、推理和編碼智能方面，達到了GPT-4 Turbo級別的性能，同時在多語言、音頻和視覺能力方面創下了新高。
如下是，在文本評估中，GPT-4o幾乎碾壓一眾模型，包括Claude 3 Opus，Gemini Pro 1.5，甚至是「開源版GPT-4」Llama 3 400B。
GPT-4o在零樣本的COT MMLU（常識問題）上創造了88.7%的新高分。
與傳統的5個樣本，沒有使用COT的MMLU評測中，GPT-4o更是創下了87.2%的新高分！
不過在DROP中，GPT-4o的表現稍落后于GPT-4 Turbo。
在音頻ASR表現上，比起Whisper-v3 ，GPT-4o顯著提高了所有語言的語音識別性能，尤其是對資源較少的語言。
音頻翻譯能力，GPT-4o刷新SOTA，并在MLS基準上超過了Whisper-v3。
另外，OpenAI團隊還對最新模型GPT-4o在M3Exam基準上進行了測試。
這是一種多語言和視覺評估基準，由來自其他國家標準化測試的多項選擇題組成，有時還包括數字和圖表。
結果如下表所示，在所有語言的測試中，GPT-4o都比GPT-4強。
（在此，省略了Swahili和Javanese兩種語言的視覺結果，因為這些語言只有5個或更少的視覺問題。）
最后，在視覺理解基準EVALS評估上，GPT-4o也取得了領先的性能。
同樣，擊敗了GPT-4 Turbo、Gemini 1.0 Ultra、Gemini 1.5 Pro，以及Claude 3 Opus。
OpenAI官博還介紹了，ChatGPT免費用戶可以訪問新模型加持下的功能，包括：
- 體驗GPT-4級別的智能
- 從聯網后的模型得到響應
- 分析數據并創建圖表
- 暢聊你拍的照片
- 上傳文件以幫助總結、撰寫或分析
- 發現和使用GPTs和GPT Store
- 用記憶構建更有用的體驗
比如，你拍一張照片發給ChatGPT，然后問「這個食物的營養價值是什么」？
ChatGPT瞬間做出響應，解釋了牛角包的營養價值。
免費用戶還可以體驗到聯網搜索的快樂。（當然是最新最強模型）
另外，免費福利還包括，在GPT商店中使用模型。
此外，讓開發者興奮的是，GPT-4o不僅應用在ChatGPT服務中，模型的API也被同步放出，可以部署各種下游應用程序上。
同時，API的性能也有所改進，據說相比GPT-4 Turbo，推理速度提升2倍，消息限制提高五倍，而且價格還會降低50%。
ChatGPT桌面版也來了
正如Murati一出場開宗明義的：對OpenAI來說，打造一款真正讓所有人可用的產品，非常之重要。
為了讓每個人無論身在何處，都能隨時用上ChatGPT，OpenAI發布了ChatGPT的桌面版本。
它擁有桌面應用程序，和全新的用戶界面，可以很輕易地和我們的工作流融為一體。
只需一個簡單的快捷鍵——Option+空格鍵，就可以立即召喚桌面版ChatGPT。
甚至，你也可以直接在應用程序中截圖，并進行提問。
然后，讓其幫你總結所截取的網頁內容——「將其總結成5個主題，并列出行動計劃」。
接下來，ChatGPT一通炫技，嗖嗖嗖地解決了提出的問題。
你甚至，可以從你的電腦上直接與ChatGPT進行語音對話，點擊桌面應用程序右下角的耳機圖標，便可開始。
神秘gpt2就是GPT-4o！
幾天前，大模型LMSYS競技場上，一個名為gpt2神秘模型突然現身，其性能甚至超越了GPT-4。
全網紛紛猜測，這個模型，可能就是GPT-4.5/GPT-5。
就連Altman本人多次發貼，暗示gpt2的強大能力——
如今，gpt2的身份，真的解密了。
OpenAI研究科學家William Fedus剛剛發文， 一直在測試的版本「im-also-a-good-gpt2-chatbot」就是GPT-4o。
以下是它一直以來的表現。
im-also-a-good-gpt2-chatbot總ELO得分，超過了最新的gpt4-turbo-2024-04-09。
但ELO最終得分，會受到「提示」難度的限制（即無法在類似「你好嗎」這種簡單提示上取得任意高的勝率）。
OpenAI團隊發現，在更難的提示集合上——尤其是編程方面——存在更大的差距：
而GPT-4o在我們此前的最佳模型上，ELO甚至可以提高100分。
最關鍵的是，GPT-4o不僅是全世界最好的模型，甚至可以在ChatGPT中免費用。
另一邊，LMSYS發布了最新的gpt2-chatbots結果，已經躍升至大模型競技場榜首！
奧特曼對此大贊，「令人驚嘆的工作」！
OpenAI聯創Greg Brockman表示，「初步的指標看起來很有前景」。
接下來，就看明天谷歌I/O大會上的表現了。
