OpenAI: GPT-4o (batch)

GPT-4o è il modello GPT versatile di OpenAI per la comprensione di testo e immagini, la scrittura e il lavoro applicativo. La “o” sta per “omni”, mentre questo modello documentato accetta testo e immagini e restituisce testo, compresi Structured Outputs. Una richiesta pratica può combinare indicazioni scritte con fotografie, schermate o pagine di documenti e chiedere una spiegazione chiara, un risultato modificato o campi definiti per un’altra fase applicativa.

Per un rapporto, fornite i documenti di origine e la decisione che il rapporto deve supportare. Individuate date, unità ed etichette degli elementi pertinenti, poi richiedete un confronto che separi osservazioni, ipotesi e informazioni mancanti. Per un’attività visiva, indicate l’oggetto, il grafico o lo stato dell’interfaccia importante e includete il contesto circostante. Per una modifica al codice, fornite il codice interessato, il comportamento desiderato e i vincoli da mantenere intatti. Sono modi concreti di usare le capacità testuali e visive del modello, senza affidare al prompt il compito di sottintendere l’intera attività.

L’attuale profilo GPT-4o di OpenAI indica una finestra di contesto di 128 000 token, un output massimo di 16 384 token e conoscenze aggiornate al 1 ottobre 2023. Il produttore elenca separatamente più versioni datate di GPT-4o. Conversazione, materiale di input e risposta generata condividono il budget di contesto, per cui una raccolta ampia di documenti richiede comunque organizzazione e spazio per il risultato finale. I fatti che cambiano o provengono da un sistema privato devono essere forniti direttamente oppure ottenuti attraverso uno strumento configurato esplicitamente.

La guida alla visione accetta PNG, JPEG, WebP e GIF non animate. GPT-4o supporta i livelli di dettaglio delle immagini low, high e auto; high e auto seguono un’elaborazione basata su riquadri. Ingrandite le etichette piccole, mantenete il testo orientato correttamente e conservate la legenda o lo schema circostante quando interpretate un grafico. I limiti documentati comprendono localizzazione spaziale precisa, conteggi approssimativi degli oggetti, alcune scritture non latine e viste panoramiche o a occhio di pesce. Il modello può anche descrivere un’immagine in modo errato, quindi conservate la fonte e chiedete le osservazioni specifiche che sostengono un’interpretazione. Nel processo di visione documentato di OpenAI, il contenuto complessivo della richiesta è limitato a 512 MB e una richiesta può includere fino a 1 500 immagini; anche immagini e testo devono rientrare nel contesto del modello.

Il processo di input di file di OpenAI fornisce a un modello capace di visione sia il testo estratto sia le immagini delle pagine dei PDF. I documenti da ufficio diversi dai PDF forniscono testo estratto, non i grafici incorporati, e i fogli di calcolo vengono integrati usando fino alle prime 1 000 righe per foglio. Ogni file deve essere inferiore a 50 MB, con un limite complessivo di 50 MB per richiesta. Chat Completions supporta parti di file PDF; il processo Responses documentato accetta ulteriori formati di file. Scegliete una rappresentazione PDF quando la fedeltà visiva è importante e mantenete visibili gli identificatori delle fonti nel risultato.

Lo streaming può restituire la risposta durante la generazione. Structured Outputs vincola una risposta completata al sottoinsieme supportato di JSON Schema, rendendolo utile per l’estrazione da documenti o per un oggetto applicativo con campi definiti. La modalità JSON riguarda soltanto la validità del JSON. Definite i tipi attesi, i valori ammessi e il trattamento degli elementi assenti, poi gestite separatamente i rifiuti espliciti o le risposte incomplete. Uno schema non stabilisce la correttezza fattuale di un valore, quindi i campi richiesti devono restare riconducibili al materiale fornito.

Il produttore supporta chiamate di funzione, ricerca sul web, ricerca nei file, interpretazione del codice e connessioni MCP. Le funzioni personalizzate richiedono descrizioni significative e schemi degli argomenti; l’applicazione esegue l’azione richiesta e ne restituisce il risultato per il passaggio successivo del modello. GPT-4o può anche dirigere uno strumento separato di generazione di immagini in un processo Responses configurato. Un’immagine creata da uno strumento è un risultato a sé, mentre la risposta nativa documentata di GPT-4o è testo. La spiegazione finale di un agente deve usare osservazioni effettivamente recuperate o calcolate, senza trattare una chiamata a uno strumento proposta come un’operazione completata.

Predicted Outputs è disponibile per GPT-4o quando si rigenerano testo o codice in gran parte noti con piccole modifiche. Fornite il contenuto esistente e una modifica precisa, poi esaminate il risultato restituito. Questo percorso solo testuale non si combina con le chiamate di funzione ed esclude logprobs, max_completion_tokens e diversi altri controlli. Una richiesta basata su strumenti è una scelta distinta quando la risposta dipende da nuove informazioni ottenute da un’operazione esterna.

OpenAI documenta il perfezionamento del modello GPT-4o mediante fine-tuning e la sua guida all’ottimizzazione indica specificamente la versione del 6 agosto 2024 per il fine-tuning visivo con esempi di immagini. Questo processo di personalizzazione specifico di una versione è distinto da una richiesta ordinaria all’alias del modello. Per la scrittura, l’analisi o l’estrazione quotidiane, iniziate con indicazioni utili e un esempio dell’output desiderato. Un messaggio successivo può chiarire un fatto mancante, rivedere un campo o affinare lo stesso risultato, preservando gli elementi e i vincoli dell’attività.