GPT-4o

模型概述

GPT-4o 是 OpenAI 于 2024 年 5 月 13 日发布的旗舰多模态模型。“o” 代表 omni（全能），反映出该模型在单一神经网络中原生支持文本、图像、音频三种模态的输入与输出。GPT-4o 拥有 128K 上下文窗口，并针对低延迟进行了优化，能够支撑实时语音对话、视觉任务以及高吞吐文本生成。在学术基准上，GPT-4o 与 GPT-4 Turbo 持平或更优，同时价格降低 50%、速度提升 2 倍。该模型驱动 ChatGPT 的语音模式、视觉功能以及 OpenAI API 的旗舰层级，是当前需要多模态理解的生产级通用工作流的默认选择。GPT-4o 也是 OpenAI 首个使用跨模态统一分词器训练的模型，显著提升了非英语语言的质量。

核心规格

基准测试表现

定价

定价来源：https://openai.com/api/pricing/ （截至 2024-08-01）。

优势

• 原生支持文本、图像、音频三种模态，单模型完成多模态理解。
• 在推理与代码生成上表现强劲，GSM8K 得分在闭源旗舰中领先。
• 延迟低于 GPT-4 Turbo，可支撑实时语音应用。
• 得益于统一分词器，多语言能力稳健。

劣势

• 闭源专有模型，不支持自托管。
• 128K 上下文窗口小于 Gemini 1.5 Pro（2M）和 Claude 3.5 Sonnet（200K）。
• 价格高于 DeepSeek V3、Qwen2.5 72B 等开源权重竞品。

适用场景

• 实时语音助手与对话代理。
• 需要同时理解图像与文本的多模态应用。
• 需要低延迟响应的生产级聊天机器人。
• 融合视觉、音频与工具调用的 Agent 工作流。

参考文献

• Hello GPT-4o — OpenAI
• OpenAI API 定价
• GPT-4o 文档