OpenAI's GPT-4o-image API repræsenterer et betydeligt fremskridt inden for multimodale AI-modeller. Denne API muliggør generering af billeder i høj kvalitet ud fra tekstbeskrivelser, der problemfrit integrerer skabelse af visuelt indhold i forskellige applikationer.
Tekniske specifikationer for GPT-4o-image API
GPT-4o-image API er en komponent i OpenAIs GPT-4o-model, en autoregressiv omni-model, der accepterer input i tekst-, lyd-, billed- og videoformater og genererer output i tekst-, lyd- og billedformater. Denne end-to-end træning på tværs af flere modaliteter gør det muligt for modellen at behandle og generere forskellige datatyper ved hjælp af et samlet neuralt netværk. GPT-4o kan især reagere på lydinput med latens, der kan sammenlignes med menneskelige responstider, i gennemsnit omkring 320 millisekunder. Det matcher GPT-4 Turbos ydeevne i engelsk tekst- og kodningsopgaver, med betydelige forbedringer i ikke-engelsk sprogbehandling og visionsevner. Derudover er GPT-4o hurtigere og 50 % mere omkostningseffektiv i API-brug sammenlignet med sine forgængere.