OpenAI举行了名为「春季更新」的线上发布会，宣布推出GPT-4的升级款模型GPT-4o

今天凌晨1:00（当地时间5月13日10:00），OpenAI举行了名为「春季更新」的线上发布会，宣布推出GPT-4的升级款模型GPT-4o，而不是人们期待已久的下一代模型GPT-5。

相比于去年11月的DevDay（开发者大会），此次OpenAI的发布会堪称简陋，前后持续不到半个小时，既没有精美的PPT也没有震撼的Demo，核心环节就是由首席技术官Mira Murati带着两位员工一起现场展示新模型，一向高调的首席执行官Sam Altman全程都没有出现。

发布会直接就是在OpenAI的办公室里举行的。

看上去，OpenAI似乎想营造一种这只是个「小小更新」的低调氛围，联想到明天凌晨Google即将召开一年一度声势浩大的I/O开发者大会，OpenAI的这种低调着实有点刻意。

Sam Altman没有出现在发布会上，不过他在发布会结束后发了个X（原Twitter）。

事实也是如此，虽然GPT-4o看起来还属于GPT-4系列，但它的变化可谓是翻天覆地，名字里的o是拉丁词缀omni的缩写，有包罗万象、全知全能的意思——这是一款真正的多模态大模型，可以「实时对音频、视觉和文本进行推理」。

不少人应该还记得去年Google发布Gemini大模型时的演示视频，一个人在纸上手绘一只鸭子在水里游泳的图，而Gemini在旁边通过摄像头实时观看，并且不断发表意见。Google期待用这个视频展现当时的GPT-4并不具有的能力——与周围环境实时、准确互动，这需要模型能够真正地理解动态图像，并且做出推理。

两个GPT-4o一句接一句即兴对唱歌曲。

Google将这种一开始就把多种形式（即多种模态）的数据放在一起训练，并使用同一个模型完成不同模态的内容输出的模型称为「原生」多模态，以区别于那些将多个模态（文本、代码、音频、图像和视频）先独立训练成不同模型，然后再拼凑在一起形成的「近似」多模态。

GPT-4o协助准备面试，对仪容仪表发表意见。

然而，没几天就有人发现Gemini的演示视频存在人为拼接痕迹，迫于压力Google不得不承认这个视频经过了美化，Gemini不仅无法做到实时反馈，并且也没有视频里那么聪明。

GPT-4o担任西班牙语和英语翻译。

自那以后，「原生」多模态模型就成了一个遥不可及的幻想，直到GPT-4o降临——它不仅像Gemini视频里那样长出了眼睛，并且还将多模态再次向前推了一大步，拥有了耳朵和嘴巴。

GPT-4o表演阴阳怪气。

观看OpenAI今天的现场演示后，我们在情感上已经很难再将GPT-4o当作是一个机器：「她」反应敏捷（响应延迟只有320毫秒，OpenAI称与人类无异）、能说会道（像歌舞剧演员那样用歌唱的方式说话）、善于分析（既能通过截屏读懂你电脑屏幕上的代码，也能通过手机摄像头理解纸上的数学题），还能察言观色（分析你的表情并做出适当回应），甚至是表达自我（对示爱表现出害羞的样子）。

GPT-4o通过摄像头当上了数学家教，帮助用户学习三角函数。

如果说过去的GPT还是一个助手，那么拥有了眼睛和嘴巴后的GPT已经在向朋友靠近了。不仅如此，拥有了新能力后的GPT-4o，也拥有了与硬件结合的更多可能性。

GPT-4o扮演锤子剪刀布游戏的裁判。

比如OpenAI在一段演示视频中就与专门为视障人士提供帮助的公司BeMyEyes合作，将GPT-4o植入到一位盲人游客的手机里，它借助摄像头成为了盲人的眼睛，告诉他面前发生的一切，例如白金汉宫的样子、公园的环境、出租车是否停下等等。不过这种场景下，一个更轻便小巧的AI硬件或许比手机更加合适。

Meta在其Ray-Ban智能眼镜中添加了AI助手。