GPT-4o

4o · Rodzina: GPT

Natywnie multimodalny model OpenAI (tekst, obraz, dźwięk) z 13.05.2024. Rozmowa głosowa w czasie rzeczywistym (~320 ms), okno 128K, function calling, 50+ języków.

✓ Aktywny✓ Publiczny dostępModel multimodalnyLLMModel używający narzędziModel wzrokowyModel audioModel audio📁 GPT

Okno kontekstowe

128K

tokenów

Parametry

Nieujawnione

parametrów

Max output

16 384

tokenów

Data premiery

13 maja 2024

🏢OpenAIProducent · 2024

Dostęp:APIHostedWdrożenie:☁ Cloud

Przegląd

GPT-4o („o” od omni) to natywnie multimodalny model OpenAI zaprezentowany 13 maja 2024 roku. W jednym modelu łączy rozumienie i generowanie tekstu, obrazu oraz dźwięku, co pozwala prowadzić płynne rozmowy głosowe w czasie rzeczywistym ze średnim opóźnieniem ok. 320 ms — zbliżonym do tempa ludzkiej rozmowy.

W porównaniu z GPT-4 Turbo oferuje jakość na poziomie flagowym przy znacznie niższej cenie i wyższej przepustowości. Obsługuje okno kontekstowe 128K tokenów, wywoływanie narzędzi (function calling), ustrukturyzowane wyjście (Structured Outputs) oraz ponad 50 języków. Granica wiedzy modelu sięga października 2023.

Zastosowania

Model sprawdza się w asystentach głosowych i tekstowych, kodowaniu, analizie dokumentów i obrazów (OCR, wykresy), tłumaczeniach na żywo, streszczaniu oraz zadaniach agentowych z użyciem narzędzi.

Klasyfikacja

Model multimodalnyLLMModel używający narzędziModel wzrokowyModel audioModel audio

Rodzina: GPT

Zastosowania

Chatboty Asystent głosowy Generowanie treści Kodowanie Asystent programistyczny AI Q&A / Odpowiadanie na pytania Streszczanie Tłumaczenie

Dostęp i wdrożenie

APIHostowane

Chmura

Wagi: Zamknięte

Kluczowe parametry

📏 Kontekst: 128K

🧩 Parametry: Nieujawnione

✓ Narzędzia · ✓ Fine-tuning

📥 Wejście: tekst, obraz, audio

Platformy

OpenAI API Microsoft Azure AI Foundry OpenRouter

Specyfikacja techniczna

Okno kontekstowe

128K

tokenów

Parametry

Nieujawnione

parametrów

Max output tokens

16 384

tokenów na odpowiedź

Knowledge cutoff

1 paź 2023

Data graniczna wiedzy

Licencja

Proprietary (OpenAI)

Wymagania sprzętowe

Model zamknięty, dostępny wyłącznie przez API OpenAI i Azure OpenAI (chmura). Brak wag do samodzielnego uruchomienia lokalnie.

Funkcje:✓ Używanie narzędzi✓ Fine-tuning

Modalności

⬇ Wejście (Input)

textimageaudio

⬆ Wyjście (Output)

textimageaudiocode

Możliwości i zastosowania

Natywne możliwości modelu

Rozumienie multimodalne

Zdolność modelu do łączenia i interpretowania informacji z więcej niż jednej modalności, np. tekstu i obrazu.

Kategoria: multimodal

Rozumienie obrazu

Analiza i interpretacja treści obrazów.

Kategoria: vision

Rozumienie audio

Zdolność modelu do interpretowania dźwięku, mowy, tonów i sygnałów audio.

Kategoria: audio

Rozumienie wideo

Zdolność analizy wideo poprzez przetwarzanie sekwencji klatek.

Kategoria: video

Konwersacja głosowa

Zdolność prowadzenia wieloturowych rozmów głosowych w czasie rzeczywistym z zachowaniem kontekstu i naturalnym tempem wypowiedzi.

Kategoria: speech

Mowa na tekst

Zdolność modelu do transkrypcji mowy do postaci tekstowej.

Kategoria: speech

Tekst na mowę

Zdolność modelu do generowania mowy na podstawie tekstu.

Kategoria: speech

Wnioskowanie w czasie rzeczywistym

Zdolność modelu do generowania odpowiedzi z bardzo niskim opóźnieniem (>1000 tokenów/s) na specjalistycznym sprzęcie inferencyjnym (np. Cerebras WSE), umożliwiająca interaktywną, wymianową współpracę z człowiekiem.

Kategoria: coding

Naturalna konwersacja

Prowadzenie rozmowy tonu bliskiego ludzkiemu: cieplejszy głos, empatia w odpowiedziach emocjonalnych, humor, unikanie sztywnego 'żargonu asystenta AI'. Wprowadzone jako świadome ulepszenie w GPT-5.1 Instant.

Kategoria: language

Tłumaczenie na żywo

Tłumaczenie mowy w czasie rzeczywistym między wieloma językami bez przerywania strumienia audio.

Kategoria: speech

Programowanie

Generowanie, analizowanie i modyfikowanie kodu w wielu językach programowania. Obejmuje pisanie funkcji, debugowanie, refaktoryzację, code review, tworzenie testów. Mierzone benchmarkami takimi jak HumanEval, SWE-bench.

Kategoria: coding

Rozumowanie

Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.

Kategoria: reasoning

Rozumowanie matematyczne

Zdolność modelu do rozwiązywania zadań matematycznych wymagających wieloetapowego rozumowania — równania, dowody, kombinatoryka, geometria, rachunek różniczkowy, zadania konkursowe.

Kategoria: reasoning

OCR

Rozpoznawanie tekstu na obrazach i w dokumentach.

Kategoria: vision

Rozumienie wykresów

Odczyt i interpretacja wykresów, tabel i diagramów.

Kategoria: vision

Wielojęzyczność

Kompetencje w wielu językach naturalnych (od kilku do stu+): rozumienie, generowanie, tłumaczenie, code-switching w obrębie jednej rozmowy. Modele frontier obsługują szeroki wachlarz języków ze zbliżoną jakością.

Kategoria: language

Przestrzeganie instrukcji

Precyzyjne wypełnianie wskazówek zawartych w prompcie: format odpowiedzi, długość, styl, ograniczenia (np. 'odpowiedz w sześciu słowach'). GPT-5.1 znacząco poprawił tę zdolność względem GPT-5.

Kategoria: language

Długi kontekst

Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.

Kategoria: language

Wywoływanie funkcji

Natywne wsparcie dla ustrukturyzowanego wykorzystania narzędzi, umożliwiające przepływy pracy oparte na agentach.

Kategoria: planning

Równoległe wywołania narzędzi

Zdolność do jednoczesnego wywoływania wielu narzędzi zewnętrznych w trakcie generowania odpowiedzi.

Kategoria: reasoning

Wyjście strukturyzowane

Generowanie danych w ustrukturyzowanych formatach, np. JSON.

Kategoria: structured_generation

Użycie narzędzi

Zdolność modelu do wywoływania zewnętrznych funkcji, API i narzędzi w trakcie rozmowy: kalkulator, wyszukiwarka, edytor kodu, baza danych. Model decyduje kiedy i jak użyć narzędzia oraz interpretuje jego wynik.

Kategoria: planning

Wyjście strumieniowe

Wiadomości strumieniowe umożliwiają pobieranie treści w czasie rzeczywistym, gdy model generuje odpowiedzi, bez czekania na wygenerowanie całej odpowiedzi. Takie podejście może znacząco poprawić doświadczenie użytkownika, zwłaszcza podczas tworzenia długich treści tekstowych, ponieważ użytkownicy mogą od razu zobaczyć, że odpowiedź zaczyna się pojawiać.

Kategoria: reasoning

Cachowanie promptów

Optymalizacja kosztowo-wydajnościowa: powtarzane fragmenty promptów (np. system prompt, długa dokumentacja) są cachowane po stronie serwera i tańsze w kolejnych wywołaniach. Znacząco obniża koszt aplikacji z długimi kontekstami.

Kategoria: other

Przeplatane wejście multimodalne

Zdolność do dowolnego łączenia tekstu i obrazu w dowolnej kolejności w ramach jednego polecenia.

Kategoria: reasoning

Dziedziny zastosowań

Chatboty Asystent głosowy Generowanie treści Kodowanie Asystent programistyczny AI Q&A / Odpowiadanie na pytania Streszczanie Tłumaczenie Asystent pisania Pisanie kreatywne Asystent badawczy Analiza danych Multimodalne rozumienie dokumentów Redagowanie e-maili

Wyniki benchmarków

7 benchmarków

MMLU

accuracy · 0-shot CoT

88.7%