OpenAIが発表したGPT-4oとは？その機能と特徴を解説 228

Openaiは、太平洋時間5月13日月曜日午前10時にGPT-4oを発表しました。これは、テキスト、画像、動画、音声を統合した新しい人工知能モデルです。 ユーザーの要求にリアルタイムで応答し、音声でリアルタイムに答えることができ、いつでも割り込むことができます。GPT-4oは視覚能力を備えており、物体を認識し、視覚に基づいて迅速に応答・回答することができ、非常に強力な論理的推論能力を持ちます。また、ユーザーの声から感情を検出することもできます。 GPT-4 Turboと比べて速度は2倍速く、価格は50%安くなっています！

GPT-4oとは？

GPT-4o（「o」は「omni」の略）は、より自然な人機インタラクションへの一歩であり、テキスト、音声、画像のあらゆる組み合わせを入力として受け取り、テキスト、音声、画像のあらゆる組み合わせを出力として生成します。音声入力に対して最短232ミリ秒、平均320ミリ秒で応答することができ、これは会話における人間の応答時間と同様です。英語のテキストとコードにおける性能はGPT-4 Turboと同等で、英語以外のテキストでは大幅に性能が向上し、APIの速度も速く、コストは50%削減されました。既存のモデルと比較して、GPT-4oは特に視覚と音声の理解に優れています。

GPT-4o以前は、ChatGPTと音声モードで会話することができ、平均遅延は2.8秒（GPT-3.5）と5.4秒（GPT-4）でした。これを実現するために、音声モードは3つの独立したモデルから構成されるパイプラインでした。1つの単純なモデルが音声をテキストに転写し、GPT-3.5またはGPT-4がテキストを受信してテキストを出力し、3番目の単純なモデルがそのテキストを再び音声に変換します。このプロセスにより、主要な知能源であるGPT-4は多くの情報を失います。トーン、複数の話者、背景ノイズを直接観察することができず、笑い、歌、感情の表現を出力することもできません。

GPT-4oにより、テキスト、視覚、音声をエンドツーエンドで訓練した新しいモデルを構築しました。これは、すべての入力と出力が同じニューラルネットワークによって処理されることを意味します。GPT-4oはこれらすべてのモードを組み合わせた最初のモデルであるため、そのモデルの能力と限界の探求はまだ始まったばかりです。

GPT-4oモデル評価

従来のベンチマークテストによると、GPT-4oはテキスト、推論、コーディングの知能においてGPT-4 Turboレベルの性能を達成しつつ、多言語、音声、視覚機能において新たな最高水準を打ち立てました。

GPT-4o言語トークン化

異なる語族にわたる新しいトークナイザーの圧縮を代表する20の言語が選ばれました。

モデル安全性と限界

GPT-4oは、訓練データのフィルタリングや訓練後のモデル動作の微調整などの技術により、モード横断的な設計に安全性を組み込んでいます。また、音声出力に保護機能を提供する新しい安全システムも作成しました。

GPT-4oを準備フレームワークに従って評価し、自発的コミットメントに沿って評価しました。サイバーセキュリティ、CBRN、説得力、モデル自律性に関する評価において、GPT-4oはこれらのカテゴリのいずれにおいても中リスクを上回るスコアはありませんでした。この評価には、モデル訓練の全過程を通じて自動評価と人手評価の一式を実行することが含まれます。モデルの機能をより良く引き出すために、安全緩和前と安全緩和後のバージョンをカスタム微調整とプロンプトでテストしました。

GPT-4oはまた、社会心理学、バイアスと公平性、誤情報などの分野の70を超える外部の専門家との広範なレッドチーム協力を行い、新たに増加したモードがもたらす、あるいは増幅するリスクを特定しました。これらの経験を活用して、GPT-4oとのインタラクションの安全性を向上させるための安全対策を策定しました。特定された新たなリスクの軽減を引き続き進めていきます。

GPT-4oの音声モードがさまざまな新たなリスクをもたらすことを認識しています。本日、テキストと画像入力およびテキスト出力を公開します。接下来的数週間および数ヶ月間で、他のモードをリリースするために必要な技術インフラ、訓練後の可用性、安全性の作業に取り組んでいきます。例えば、リリース時点では、音声出力は選択されたプリセット音声に限定され、既存の安全ポリシーに準拠します。GPT-4oのすべてのモードに関する詳細は、まもなく公開されるシステムカードで共有する予定です。

GPT-4 Turboが依然としてGPT-4oを上回るタスクを特定し、モデルの改善を継続できるよう、フィードバックをいただきたいと考えています。

モデル利用可能性

GPT-4oは、ディープラーニングの限界を押し広げる私たちの最新の取り組みであり、今回は実用性に向けたものです。过去の2年間で、スタックの各層の効率を向上させるために多大な努力を払ってきました。この研究の最初の成果として、GPT-4レベルのモデルをより広く提供することが可能になりました。GPT-4oの機能は反復的に展開されます（本日よりレッドチームアクセスを拡大）。

GPT-4oのテキストと画像機能は本日よりChatGPTで展開を開始します。無料プランでGPT-4oを提供し、Plusユーザーには最大5倍のメッセージ制限を提供します。GPT-4oの新音声モードのアルファ版は、今後数週間以内にChatGPT Plusで展開する予定です。

開発者は現在、APIでテキストおよび視覚モデルとしてGPT-4oにアクセスすることもできます。GPT-4 Turboと比較して、GPT-4oは速度が2倍向上し、価格は半分、レート制限は5倍に引き上げられました。今後数週間以内に、信頼できる一部の合作伙伴に対して、APIでGPT-4oの新音声および動画機能のサポートを展開する予定です。

GPT-4oの詳細についてはこちら：https://openai.com/index/hello-gpt-4o/