5 月 14 日凌晨，OpenAI 在首次「春季新品发布会」再次颠覆。不论是商业模式上，还是超级 AI能力发布上。

在发布会上，OpenAI推出了新一代旗舰生成模型 GPT-4o，发布了桌面 App，并宣布以后 OpenAI 做产品就是要免费优先，为的就是让更多的人能使用。

而就在不久前DeepSeek-V2 基于其背后的关键技术 MLA 使得推理成本大幅下降，拉起了与国内其他厂商的价格战，智谱 GLM-3 Turbo模型的价格也由5元/百万tokens下降到了1元/百万tokens。

OpenAI则优先采取了免费优先的策略，虽然有一定的频次限制，但对于非企业用户来说还是足够的，这标志着他们将去年的定价模式发生了重大商业模式转变，现在开发者和企业进入了完全补贴消费者的时代。

我们先来一览GPT-4o的能力：

你好 GPT-4o

OpenAI 将 GPT-4o（“o”代表“omni”）定义为是迈向更自然的人机交互的一步。

因为它接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像的任意组合输出，且在交流的过程中可以随时打断AI。

另外，GPT-4o它可以在短至 232 毫秒的时间内响应音频输入，要知道之前ChatGPT 对话平均延迟为 2.8 秒 (GPT-3.5) 和 5.4 秒 (GPT-4)。

传统的GPT-3.5 或 GPT-4 在实现语音对话功能上，一般是通过三个独立模型组成的管道来实现的：一个简单模型将音频转录为文本，GPT-3.5 或 GPT-4 接收文本并输出文本，第三个简单模型将该文本转换回音频。这个过程意味着主要智能来源GPT-4丢失了大量信息——它无法直接观察音调、多个说话者或背景噪音，也无法输出笑声、歌唱或表达情感。

而GPT-4o实现了将跨文本、视觉和音频端到端地训练了一个新模型，这意味着所有输入和输出都由同一神经网络处理。特别酷的是，除了文本转语音之外，GPT-4 o 似乎还能够理解对话声音的其他维度，例如呼吸和情感。在实际的演示中，它甚至可以观测到你情绪的细微变化。

此外，与 GPT-4 Turbo 相比，它在英语文本和代码上2 倍便宜和更快，但对于其他语言（特别是非拉丁字母），得益于新的标记器--以更好地压缩其中的许多语言 ，甚至可以便宜/更快 9 倍！

下面我们来看下它与GPT-4 的速度对比：

在界面呈现上，OpenAI提供了最新的，更加圆润的，桌面应用，不用注册也可以使用。OpenAI 的目标就是让人们可以随时随地的无感使用它，让 ChatGPT 集成在你的工作流中，让它融入你的生活中。

能力探索

GPT-4o 是OpenAI 最前沿的旗舰模型，之前一直在LMSys竞技场上测试一个版本就是它，当时被叫做im-alo-good-gpt2-chattbot。我们可以它在文本方面的表现如下：

GPT-4o 在 0-shot COT MMLU（常识问题）上创下了 88.7% 的新高分。此外，在传统的5-shot no-CoT MMLU上，GPT-4o创下了87.2%的新高分。 

GPT-4o 在音频性能方面也表现出色，比 Whisper-v3 显着提高了所有语言的语音识别性能，特别是对于资源匮乏的语言。