OpenAI: GPT-4o (batch)

GPT-4o est le modèle GPT polyvalent d’OpenAI pour la compréhension du texte et des images, la rédaction et les travaux applicatifs. Le « o » signifie « omni », tandis que ce modèle documenté accepte du texte et des images et renvoie du texte, notamment avec Structured Outputs. Une demande pratique peut associer des consignes écrites à des photographies, des captures d’écran ou des pages de documents et demander une explication claire, un livrable modifié ou des champs définis pour une autre étape applicative.

Pour un rapport, fournissez les documents sources et la décision que le rapport doit éclairer. Identifiez les dates pertinentes, les unités et les libellés des preuves, puis demandez une comparaison qui sépare les observations, les hypothèses et les informations manquantes. Pour une tâche visuelle, indiquez l’objet, le graphique ou l’état d’interface qui importe et incluez le contexte environnant. Pour une modification de code, fournissez le code concerné, le comportement souhaité et les contraintes à maintenir. Ces approches concrètes exploitent les capacités textuelles et visuelles du modèle sans compter sur le prompt pour sous-entendre toute la tâche.

Le profil GPT-4o actuel d’OpenAI indique une fenêtre de contexte de 128 000 tokens, une sortie maximale de 16 384 tokens et une date limite des connaissances au 1er octobre 2023. Le fournisseur répertorie séparément plusieurs versions datées de GPT-4o. La conversation, les éléments d’entrée et la réponse générée partagent le budget de contexte ; une vaste collection de documents nécessite donc toujours une organisation et de la place pour son livrable final. Les faits qui changent ou proviennent d’un système privé doivent être fournis directement ou obtenus au moyen d’un outil explicitement configuré.

Le guide de vision accepte PNG, JPEG, WebP et les GIF non animés. GPT-4o prend en charge les niveaux de détail d’image low, high et auto ; high et auto utilisent un traitement par tuiles. Agrandissez les petits libellés, gardez le texte à l’endroit et préservez la légende ou le schéma environnant lorsque vous interprétez un graphique. Les limites documentées concernent notamment la localisation spatiale précise, les décomptes approximatifs d’objets, certaines écritures non latines et les vues panoramiques ou fisheye. Le modèle peut aussi décrire incorrectement une image ; conservez donc la source et demandez les observations précises qui étayent une interprétation. Dans le processus de vision documenté d’OpenAI, la charge utile totale de la requête est limitée à 512 MB et une requête peut inclure jusqu’à 1 500 images ; les images et le texte doivent également tenir dans le contexte du modèle.

Le processus d’entrée de fichiers d’OpenAI fournit à un modèle capable de vision le texte extrait et les images des pages des PDF. Les documents bureautiques autres que les PDF fournissent le texte extrait plutôt que leurs graphiques intégrés, et les feuilles de calcul sont enrichies à partir des 1 000 premières lignes au maximum de chaque feuille. Chaque fichier doit faire moins de 50 MB, avec un total maximal de 50 MB pour l’ensemble des fichiers d’une requête. Chat Completions prend en charge les parties de fichier PDF ; le processus Responses documenté accepte des formats de fichier supplémentaires. Choisissez une représentation PDF lorsque la fidélité visuelle importe et gardez les identifiants de source visibles dans le résultat.

La diffusion en continu peut renvoyer la réponse pendant sa génération. Structured Outputs contraint une réponse terminée au sous-ensemble pris en charge de JSON Schema, ce qui le rend utile pour l’extraction documentaire ou un objet applicatif doté de champs définis. Le mode JSON porte uniquement sur la validité du JSON. Définissez les types attendus, les valeurs autorisées et le traitement de l’absence de preuves, puis gérez séparément les refus explicites ou les réponses incomplètes. Un schéma n’établit pas l’exactitude factuelle d’une valeur ; les champs demandés doivent donc rester traçables jusqu’aux éléments fournis.

Le fournisseur prend en charge l’appel de fonctions, la recherche sur le Web, la recherche dans les fichiers, l’interprétation de code et les connexions MCP. Les fonctions personnalisées nécessitent des descriptions pertinentes et des schémas d’arguments ; l’application exécute l’action demandée et renvoie son résultat pour l’étape suivante du modèle. GPT-4o peut aussi diriger un outil distinct de génération d’images dans un processus Responses configuré. Une image créée par un outil constitue un livrable propre, tandis que la réponse native documentée de GPT-4o est textuelle. L’explication finale d’un agent doit utiliser les observations réellement récupérées ou calculées plutôt que de traiter un appel d’outil proposé comme une opération terminée.

Predicted Outputs est disponible pour GPT-4o lors de la régénération de texte ou de code largement connu avec de petites modifications. Fournissez le contenu existant et une modification précise, puis examinez le livrable renvoyé. Ce parcours uniquement textuel ne se combine pas avec l’appel de fonctions et exclut logprobs, max_completion_tokens et plusieurs autres contrôles. Une requête utilisant des outils constitue un choix distinct lorsque la réponse dépend de nouvelles informations provenant d’une opération externe.

OpenAI documente l’ajustement fin pour GPT-4o, et son guide d’optimisation nomme spécifiquement la version du 6 août 2024 pour l’ajustement fin visuel avec des exemples d’images. Ce processus de personnalisation propre à une version est distinct d’une requête ordinaire à l’alias du modèle. Pour la rédaction, l’analyse ou l’extraction quotidienne, commencez par des consignes utiles et un exemple de la sortie souhaitée. Un échange suivant peut résoudre un fait manquant, réviser un champ ou affiner le même livrable tout en préservant les preuves et les contraintes de la tâche.