Hello GPT-4o Introducción

A diferencia de modelos anteriores que utilizaban sistemas separados para diferentes modalidades, GPT-4o está entrenado de extremo a extremo a través de texto, visión y audio. Este enfoque unificado le permite procesar todas las entradas y salidas a través de una única red neuronal, lo que le permite captar matices como el tono, múltiples hablantes y ruidos de fondo que anteriormente se perdían en la traducción entre modelos. GPT-4o puede responder a entradas de audio en tan solo 232 milisegundos, con un promedio de 320 milisegundos, comparable a los tiempos de respuesta humanos en una conversación. Su tokenización mejorada reduce significativamente el número de tokens necesarios para varios idiomas, mejorando la eficiencia y reduciendo costos.