確定日付の確度: 確定確定として発表情報源が日付をどれだけ確定的に述べているか：確定、予定、推定、延期、未確認。「確定」のピンをすべて表示確度 89%総合信頼度: 89%ピンの情報源と参照がその日付をどれだけ裏付けているか。出典を含む 4 件の資料がピンの開始・終了時刻をどれだけ強く裏付けているかの加重平均。最新の資料より180日古くなるごとに重みは半分になります確度75%以上のピンをすべて表示
2024年5月13日付のOpenAI[1]によるGPT-4o発表記事で、同社のモデルのリリースノートからリンクされている。GPT-4o 公開
原文から自動翻訳されています
元のタイトル: GPT-4o Released
OpenAIが、音声・画像・テキストをリアルタイムに横断して推論するフラッグシップモデル「GPT-4o」を公開し、ChatGPTの新たな既定モデルとした。
- OpenAIは2024年5月13日、音声・画像・テキストを横断してリアルタイムに推論できるフラッグシップモデル GPT-4o（"omni"）を発表した[1][3]
- 提供開始：ChatGPTではテキストと画像を同日に、無料プランも含めて提供。Plusではメッセージ上限が最大5倍に。新しい音声モードは数週間以内にPlus向けアルファ版として提供。APIでの音声はまず少数の信頼できるパートナーに限定[1][3]
- TechCrunchはさらに、刷新されたWeb UI、macOS向けデスクトップアプリ（Windowsは年内後半）、無料プランからのGPT Store・メモリー・Web検索の利用にも言及している[3]
- 安全性：Preparedness Frameworkに基づき評価され、いずれのカテゴリーも「中」以上のリスクには該当せず、70人超の外部レッドチーム専門家が関与した[1]
- 2024年5月13日のApple Podcastsのニュース番組がこの発表を1コーナーで取り上げているが、掲載されているのは見出しのみ[2]
主な特長
- OpenAIはテキスト・画像・音声を単一の新モデルでエンドツーエンドに学習させ、すべての入出力を同じニューラルネットワークで処理する。従来の音声モードは3つの別々のモデルを連結しており、声の調子や複数話者、背景音を直接捉えることができなかった[4]
- テキスト・音声・画像・動画の任意の組み合わせを入力として受け取り、テキスト・音声・画像を生成する。音声応答は最短232ミリ秒（平均320ミリ秒）で、従来の音声モードの2.8秒・5.4秒から大幅に短縮された[1]
- 英語のテキストとコードではGPT-4 Turbo並み、英語以外のテキスト・画像・音声では上回る性能を示し、APIでは2倍高速・価格は半分・レート上限は5倍となる[1][3]
- OpenAIによれば、視覚認識のベンチマークで最高水準の結果を示し、多言語・音声・画像の各能力でも新たな最高記録を達成した[4]
- 新しいトークナイザーにより20言語でトークン数が削減された（例えばグジャラート語では4.4分の1）[1]
購入ChatGPT