Hello GPT-4o Introduction

Tidak seperti model sebelumnya yang menggunakan sistem terpisah untuk berbagai modalitas, GPT-4o dilatih end-to-end di seluruh teks, visi, dan audio. Pendekatan terpadu ini memungkinkannya untuk memproses semua input dan output melalui satu jaringan saraf, memungkinkan untuk menangkap nuansa seperti nada, beberapa pembicara, dan suara latar yang sebelumnya hilang dalam terjemahan antar model. GPT-4o dapat merespons input audio dalam waktu hanya 232 milidetik, dengan rata-rata 320 milidetik, sebanding dengan waktu respons manusia dalam percakapan. Tokenisasi yang ditingkatkan secara signifikan mengurangi jumlah token yang dibutuhkan untuk berbagai bahasa, meningkatkan efisiensi dan mengurangi biaya.