OpenAI: GPT-4o (batch)

GPT-4o er OpenAIs alsidige GPT-model til tekst- og billedforståelse, skrivning og arbejde i applikationer. Bogstavet “o” står for “omni”, mens denne dokumenterede model modtager tekst og billeder og returnerer tekst, herunder Structured Outputs. En praktisk anmodning kan kombinere en skriftlig opgavebeskrivelse med fotografier, skærmbilleder eller dokumentsider og bede om en tydelig forklaring, et redigeret resultat eller definerede felter til et andet trin i applikationen.

Til en rapport skal du levere kildedokumenterne og angive den beslutning, rapporten skal understøtte. Angiv de relevante datoer, enheder og kildehenvisninger, og bed derefter om en sammenligning, der adskiller observationer, antagelser og manglende oplysninger. Til en visuel opgave skal du udpege den relevante genstand, det relevante diagram eller den relevante tilstand i grænsefladen og medtage den omgivende kontekst. Til en kodeændring skal du levere den berørte kode, den ønskede adfærd og de begrænsninger, der skal bevares. Det er konkrete måder at bruge modellens tekst- og billedfunktioner på uden at lade hele opgaven være underforstået i prompten.

OpenAIs aktuelle GPT-4o-profil angiver et kontekstvindue på 128.000 tokens, et maksimalt output på 16.384 tokens og en vidensgrænse den 1. oktober 2023. Leverandøren opfører flere daterede GPT-4o-modelversioner separat. Samtalen, inputmaterialet og det genererede svar deler kontekstbudgettet, så en stor dokumentsamling kræver stadig organisering og plads til det endelige resultat. Fakta, som ændrer sig eller kommer fra et privat system, bør leveres direkte eller hentes gennem et udtrykkeligt konfigureret værktøj.

Vejledningen til billedforståelse accepterer PNG, JPEG, WebP og ikke-animerede GIF-filer. GPT-4o understøtter billeddetaljeniveauerne low, high og auto; high og auto følger en behandling baseret på billedfliser. Forstør små etiketter, hold teksten opret, og bevar signaturforklaringen eller det omgivende diagram, når du fortolker en graf. De dokumenterede begrænsninger omfatter præcis rumlig lokalisering, omtrentlige optællinger af genstande, visse ikke-latinske skriftsystemer og panorama- eller fiskeøjevisninger. Modellen kan også beskrive et billede forkert, så gem kilden, og bed om de konkrete observationer, der understøtter en fortolkning. I OpenAIs dokumenterede arbejdsgang til billedforståelse er den samlede anmodnings nyttelast begrænset til 512 MB, og en anmodning kan indeholde op til 1.500 billeder; billederne og teksten skal også passe ind i modellens kontekst.

OpenAIs arbejdsgang til filinput giver en model med billedforståelse både udtrukket tekst og sidebilleder fra PDF-dokumenter. Kontordokumenter, der ikke er PDF-filer, leverer udtrukket tekst frem for deres indlejrede diagrammer, og regneark beriges ud fra op til de første 1.000 rækker pr. ark. Hver fil skal være under 50 MB, og filerne i en anmodning må tilsammen fylde 50 MB. Chat Completions understøtter PDF-fildele; den dokumenterede Responses-arbejdsgang accepterer yderligere filformater. Vælg en PDF-gengivelse, hvor visuel nøjagtighed er vigtig, og hold kildeidentifikatorerne synlige i resultatet.

Streaming kan returnere svaret, mens det genereres. Structured Outputs begrænser et færdigt svar til den understøttede delmængde af JSON Schema og er derfor nyttigt til dokumentudtræk eller et applikationsobjekt med definerede felter. JSON-tilstand vedrører kun gyldigheden af JSON. Definer de forventede typer, tilladte værdier og håndteringen af manglende kildeoplysninger, og håndter derefter udtrykkelige afvisninger eller ufuldstændige svar separat. Et skema fastslår ikke, om en værdi er faktuelt korrekt, så de ønskede felter skal fortsat kunne spores til det leverede materiale.

Leverandøren understøtter funktionskald, websøgning, filsøgning, kodefortolkning og MCP-forbindelser. Egne funktioner kræver meningsfulde beskrivelser og argumentskemaer; applikationen udfører den ønskede handling og returnerer resultatet til modellens næste trin. GPT-4o kan også styre et separat billedgenereringsværktøj i en konfigureret Responses-arbejdsgang. Et billede skabt af et værktøj er et selvstændigt resultat, mens det dokumenterede native svar fra GPT-4o er tekst. En agents afsluttende forklaring bør bruge faktisk hentede eller beregnede observationer frem for at behandle et foreslået værktøjskald som en udført handling.

Predicted Outputs er tilgængeligt for GPT-4o ved gendannelse af stort set kendt tekst eller kode med små ændringer. Lever det eksisterende indhold og en præcis ændring, og undersøg derefter det returnerede resultat. Denne rent tekstbaserede fremgangsmåde kan ikke kombineres med funktionskald og udelukker logprobs, max_completion_tokens og flere andre kontroller. En anmodning, der bruger værktøjer, er et separat valg, når svaret afhænger af nye oplysninger fra en ekstern handling.

OpenAI dokumenterer finjustering af GPT-4o, og optimeringsvejledningen navngiver specifikt modelversionen fra den 6. august 2024 til finjustering af billedforståelse med billedeksempler. Denne versionsspecifikke tilpasningsarbejdsgang adskiller sig fra en almindelig anmodning til modelaliaset. Til daglig skrivning, analyse eller udtræk skal du begynde med en nyttig opgavebeskrivelse og et eksempel på det ønskede output. En opfølgning kan afklare én manglende oplysning, revidere et felt eller forbedre samme resultat og samtidig bevare opgavens kildegrundlag og begrænsninger.