OpenAI: GPT-4o (batch)

GPT-4o es el modelo GPT versátil de OpenAI para comprensión de texto e imágenes, redacción y trabajo con aplicaciones. La «o» significa «omni», mientras que este modelo documentado acepta texto e imágenes y devuelve texto, incluido Structured Outputs. Una solicitud práctica puede combinar unas instrucciones escritas con fotografías, capturas de pantalla o páginas de documentos y pedir una explicación clara, un entregable editado o campos definidos para otra etapa de una aplicación.

Para un informe, proporciona los documentos de origen y la decisión que debe fundamentar el informe. Identifica las fechas, las unidades y las etiquetas de las pruebas pertinentes y solicita una comparación que separe observaciones, suposiciones e información ausente. Para una tarea visual, señala el objeto, el gráfico o el estado de la interfaz relevante e incluye el contexto circundante. Para un cambio de código, proporciona el código afectado, el comportamiento deseado y las restricciones que deben mantenerse intactas. Son formas concretas de utilizar las capacidades de texto e imagen del modelo sin depender de que las instrucciones textuales den a entender toda la tarea.

El perfil actual de GPT-4o de OpenAI indica una ventana de contexto de 128.000 tokens, una salida máxima de 16.384 tokens y una fecha límite de conocimientos del 1 de octubre de 2023. El proveedor enumera por separado varias versiones fechadas de GPT-4o. La conversación, el material de entrada y la respuesta generada comparten el presupuesto de contexto, por lo que un conjunto grande de documentos sigue necesitando organización y espacio para su entregable final. Los hechos que cambien o procedan de un sistema privado deben proporcionarse directamente u obtenerse mediante una herramienta configurada explícitamente.

La guía de visión admite PNG, JPEG, WebP y GIF no animados. GPT-4o admite los niveles de detalle de imagen low, high y auto; high y auto utilizan procesamiento por bloques. Amplía las etiquetas pequeñas, mantén el texto en la orientación correcta y conserva la leyenda o el diagrama circundante al interpretar un gráfico. Las limitaciones documentadas incluyen localización espacial precisa, recuentos aproximados de objetos, algunas escrituras no latinas y vistas panorámicas o de ojo de pez. El modelo también puede describir incorrectamente una imagen, por lo que debes conservar la fuente y solicitar las observaciones concretas que respaldan una interpretación. En el flujo de visión documentado de OpenAI, el tamaño total de la solicitud está limitado a 512 MB y una solicitud puede incluir hasta 1.500 imágenes; las imágenes y el texto también deben caber en el contexto del modelo.

El flujo de entrada de archivos de OpenAI proporciona a un modelo con capacidad de visión tanto el texto extraído como las imágenes de las páginas de PDF. Los documentos ofimáticos que no sean PDF aportan texto extraído en lugar de sus gráficos incrustados, y el procesamiento de hojas de cálculo se enriquece con, como máximo, las primeras 1.000 filas de cada hoja. Cada archivo debe tener menos de 50 MB, con un límite total de 50 MB por solicitud. Chat Completions admite partes de archivos PDF; el flujo Responses documentado acepta formatos de archivo adicionales. Elige una representación PDF cuando la fidelidad visual importe y mantén visibles los identificadores de las fuentes en el resultado.

La transmisión en continuo puede devolver la respuesta a medida que se genera. Structured Outputs limita una respuesta completada al subconjunto admitido de JSON Schema, por lo que resulta útil para extracción documental o un objeto de aplicación con campos definidos. El modo JSON solo se ocupa de la validez de JSON. Define los tipos esperados, los valores permitidos y el tratamiento de la falta de pruebas y gestiona por separado los rechazos explícitos o las respuestas incompletas. Un esquema no establece si un valor es factualmente correcto, por lo que los campos solicitados deben seguir siendo trazables hasta el material proporcionado.

El proveedor admite llamadas a funciones, búsqueda en la web, búsqueda en archivos, interpretación de código y conexiones MCP. Las funciones personalizadas necesitan descripciones claras y esquemas de argumentos; la aplicación ejecuta la acción solicitada y devuelve su resultado para el siguiente paso del modelo. GPT-4o también puede dirigir una herramienta independiente de generación de imágenes en un flujo Responses configurado. Una imagen creada por una herramienta es un elemento independiente, mientras que la respuesta nativa documentada de GPT-4o es texto. La explicación final de un agente debe utilizar observaciones obtenidas o calculadas realmente, en lugar de tratar una llamada a herramienta propuesta como una operación completada.

Predicted Outputs está disponible para GPT-4o al regenerar texto o código cuyo contenido se conoce en gran medida, con pequeños cambios. Proporciona el contenido existente y una modificación precisa e inspecciona el entregable devuelto. Este flujo exclusivamente textual no se combina con llamadas a funciones y excluye logprobs, max_completion_tokens y otros controles. Una solicitud basada en herramientas es una opción independiente cuando la respuesta depende de información nueva obtenida de una operación externa.

OpenAI documenta ajuste fino para GPT-4o y su guía de optimización identifica específicamente la versión del 6 de agosto de 2024 para ajuste fino de visión con ejemplos de imágenes. Ese flujo de personalización específico de una versión es independiente de una solicitud normal al alias del modelo. Para redacción, análisis o extracción habituales, empieza con unas instrucciones útiles y un ejemplo de la salida deseada. Una intervención posterior puede resolver un hecho ausente, revisar un campo o refinar el mismo entregable conservando las pruebas y las restricciones de la tarea.