GPT-4o được OpenAI công bố ngày 13/05/2024. Chữ o viết tắt của omni, nhấn mạnh hướng xử lý văn bản, hình ảnh và âm thanh trong cùng một mô hình. Điểm cần phân biệt ngay: năng lực được trình diễn trong nghiên cứu rộng hơn những phương thức đầu vào và đầu ra mà API công khai hỗ trợ vào ngày ra mắt.
Một mô hình thay cho chuỗi chuyển đổi giọng nói
Theo Hello GPT-4o, hệ thống Voice Mode trước đó dùng ba thành phần: chuyển âm thanh thành chữ, mô hình ngôn ngữ xử lý chữ, rồi chuyển câu trả lời thành giọng nói. Cách tổ chức này khiến mô hình ở giữa không trực tiếp quan sát ngữ điệu, tiếng nền hoặc nhiều người nói.
GPT-4o được huấn luyện end-to-end trên văn bản, thị giác và âm thanh, với các đầu vào và đầu ra được xử lý bởi cùng một mạng. OpenAI mô tả khả năng nhận kết hợp văn bản, âm thanh, ảnh và video; tạo kết hợp văn bản, âm thanh và ảnh. Đây là mô tả phạm vi năng lực, không phải khẳng định mọi phương thức đã mở đồng thời cho mọi tài khoản.
Độ trễ và chất lượng: đọc đúng phép so sánh
OpenAI báo cáo phản hồi âm thanh nhanh nhất 232 mili giây và trung bình 320 mili giây, so với độ trễ Voice Mode trung bình 2,8 giây với GPT-3.5 và 5,4 giây với GPT-4. Đây là số liệu của tác giả trong bối cảnh được mô tả; không phải cam kết thời gian phản hồi cho mọi kết nối mạng, độ dài yêu cầu hoặc sản phẩm tích hợp.
Về văn bản tiếng Anh và lập trình, hãng đặt GPT-4o ở mức GPT-4 Turbo, đồng thời nhấn mạnh cải thiện ở ngôn ngữ khác, thị giác và hiểu âm thanh. Điều đó không có nghĩa GPT-4o thắng trên mọi tác vụ. Chính trang công bố đề nghị phản hồi về những trường hợp GPT-4 Turbo vẫn làm tốt hơn.
Ngày công bố chưa phải ngày mở toàn bộ tính năng
Ngày 13/05/2024, API cung cấp GPT-4o dưới dạng mô hình văn bản và thị giác. Khả năng văn bản và ảnh bắt đầu được triển khai trong ChatGPT; Voice Mode mới dự kiến alpha cho Plus trong các tuần sau. Âm thanh và video mới trong API được lên kế hoạch cho một nhóm đối tác tin cậy, không phải mở đại trà ngay lúc công bố.
Vì vậy, không nên lấy clip hội thoại trực tiếp làm bằng chứng rằng một lời gọi API văn bản tại cùng thời điểm đã hỗ trợ âm thanh đầu ra. Cũng cần tách GPT-4o tháng 05/2024 khỏi các phiên bản chuyên biệt và những lần phát hành tạo ảnh hoặc âm thanh về sau.
Chi phí tương đối tại thời điểm ra mắt
Thông cáo mô tả GPT-4o nhanh gấp hai, giá bằng một nửa và giới hạn tốc độ cao gấp năm so với GPT-4 Turbo trong API. Đây là phép so sánh lịch sử của OpenAI, không phải báo giá hiện hành hay cam kết tổng hóa đơn ứng dụng giảm đúng 50%. Số token, số lượt gọi và các dịch vụ kèm theo vẫn ảnh hưởng chi phí thực.
Giới hạn tốc độ cao hơn không đồng nghĩa mỗi yêu cầu nhanh hơn năm lần. Tương tự, nhận xét về tốc độ API không thể áp máy móc cho mọi phương thức âm thanh hoặc video mới. Khi lập ngân sách, cần dùng bảng giá đúng phiên bản và thời điểm sử dụng thay vì coi mọi sản phẩm mang tên GPT-4o có cùng cơ cấu tính phí.
Giới hạn và rủi ro
Khả năng hiểu nhiều phương thức làm giao tiếp thuận tiện hơn nhưng không xác nhận tính đúng đắn của lời đáp. Ảnh thiếu chi tiết, âm thanh nhiễu và ngữ cảnh mơ hồ vẫn cần được kiểm tra bằng dữ liệu gốc. Với nội dung có hậu quả quan trọng, không dùng sự tự nhiên của giọng nói hoặc sự tự tin của câu trả lời làm thước đo chính xác.
Trong scorecard được đăng cùng công bố, OpenAI đánh giá rủi ro tổng thể ở mức medium trước và sau giảm thiểu, theo khung đánh giá của hãng. Nhãn này không chứng minh hệ thống không còn rủi ro; nó mô tả kết quả trong phạm vi các nhóm được theo dõi. Năng lực mới cần được đánh giá theo từng tình huống sử dụng, nhất là khi liên quan người thật, nội dung nhạy cảm hoặc thao tác qua công cụ.
Vị trí trong chuỗi OpenAI
So với GPT-4 Turbo, GPT-4o đặt trọng tâm vào hợp nhất phương thức và hiệu quả sử dụng. Nó cũng khác Sora nghiên cứu, vốn tập trung vào sinh video. Việc cùng xử lý dữ liệu thị giác không làm hai mô hình trở thành cùng một sản phẩm hoặc dùng chung cam kết khả năng.
Nguồn: OpenAI, Hello GPT-4o, 13/05/2024. Các so sánh chi phí, tốc độ và kế hoạch mở tính năng trong bài được đặt tại mốc công bố này.
Tác giả
Chăm Sóc Khách Hàng
