Mira Murati prezanton modelin GPT-4o që mund të trajtojë tekst, audio dhe video

OpenAI njoftoi të hënën një model të ri gjenerues të AI që ata e quajnë GPT-4o -ku “o” qëndron për “omni”, duke iu referuar aftësisë së modelit për të trajtuar tekst, audio dhe videon. GPT-4o është vendosur të shpërndahet “në mënyrë të përsëritur” në të gjithë zhvilluesit e kompanisë dhe produktet që përballen me konsumatorin gjatë javëve të ardhshme.

CTO e OpenAI, Mira Murati tha se GPT-4o ofron inteligjencë të “nivelit GPT-4”, por përmirëson aftësitë e GPT-4 në shumë modalitete dhe media.

“GPT-4o arsye për zërin, tekstin dhe vizionin,” tha Murati gjatë një prezantimi të transmetuar në zyrat e OpenAI në San Francisko të hënën. “Dhe kjo është tepër e rëndësishme, sepse ne po shikojmë të ardhmen e ndërveprimit midis nesh dhe makinerive.”

GPT-4 Turbo, modeli i mëparshëm “më i avancuar” kryesor i OpenAI, ishte trajnuar për një kombinim imazhesh dhe teksti dhe mund të analizonte imazhet dhe tekstin për të kryer detyra si nxjerrja e tekstit nga imazhet apo edhe përshkrimi i përmbajtjes së atyre imazheve. Por GPT-4o shton fjalimin në përzierje.
Çfarë mundëson kjo? Një shumëllojshmëri gjërash.

GPT-4o përmirëson shumë përvojën në chatbotin e hapur me AI, ChatGPT. Platforma ka ofruar prej kohësh një modalitet zanor që transkripton përgjigjet e chatbot-it duke përdorur një model tekst-në-fjalë, por GPT-4o e plotëson këtë, duke i lejuar përdoruesit të ndërveprojnë me ChatGPT më shumë si një asistent.

Për shembull, përdoruesit mund t’i bëjnë një pyetje ChatGPT-së me fuqi GPT-4o dhe të ndërpresin ChatGPT ndërsa ai përgjigjet. Modeli ofron reagim “në kohë reale”, thotë OpenAI, dhe madje mund të kuptojë nuancat në zërin e një përdoruesi, si përgjigje duke gjeneruar zëra në “një sërë stilesh të ndryshme emocionale” (përfshirë këndimin).

GPT-4o gjithashtu përmirëson aftësitë e vizionit të ChatGPT. Duke pasur parasysh një foto – ose një ekran desktopi – ChatGPT tani mund t’u përgjigjet shpejt pyetjeve të lidhura, nga temat që variojnë nga “Çfarë po ndodh në këtë kod softuerësh?” tek “Çfarë marke këmishë ka veshur ky person?”/TechCrunch