OpenAI: GPT-4o (batch)

GPT-4o er OpenAIs allsidige GPT-modell for tekst- og bildeforståelse, skriving og applikasjonsarbeid. Bokstaven «o» står for «omni», mens denne dokumenterte modellen godtar tekst og bilder og returnerer tekst, inkludert Structured Outputs. En praktisk forespørsel kan kombinere et skriftlig oppgavegrunnlag med fotografier, skjermbilder eller dokumentsider og be om en tydelig forklaring, et redigert produkt eller definerte felt for et annet trinn i applikasjonen.

For en rapport oppgir du kildedokumentene og beslutningen rapporten skal støtte. Angi relevante datoer, enheter og etiketter som identifiserer belegget, og be deretter om en sammenligning som skiller observasjoner, antakelser og manglende informasjon. For en visuell oppgave peker du på gjenstanden, grafen eller tilstanden i grensesnittet som er viktig, og tar med konteksten rundt. For en kodeendring oppgir du den berørte koden, ønsket atferd og begrensningene som må overholdes. Dette er konkrete måter å bruke modellens tekst- og bildeegenskaper på uten å stole på at instruksjonen implisitt angir hele oppgaven.

OpenAIs gjeldende GPT-4o-profil oppgir et kontekstvindu på 128000 tokener, en maksimal utdatamengde på 16384 tokener og en kunnskapsgrense på 1. oktober 2023. Produsenten oppgir flere daterte GPT-4o-modellversjoner separat. Samtalen, inndatamaterialet og det genererte svaret deler kontekstbudsjettet, så en stor dokumentsamling trenger fortsatt organisering og rom for sluttproduktet. Fakta som endres eller kommer fra et privat system, skal oppgis direkte eller hentes gjennom et eksplisitt konfigurert verktøy.

Bildeveiledningen godtar PNG, JPEG, WebP og ikke-animerte GIF-bilder. GPT-4o støtter bildedetaljene low, high og auto; high og auto følger behandling basert på bildefliser. Forstørr små etiketter, hold teksten riktig vei og behold tegnforklaringen eller diagrammet rundt når du tolker en graf. De dokumenterte begrensningene omfatter presis romlig lokalisering, omtrentlig telling av gjenstander, noen former for ikke-latinsk skrift og panorama- eller fiskeøyeperspektiver. Modellen kan også beskrive et bilde feil, så behold kilden og be om de konkrete observasjonene som støtter en tolkning. I OpenAIs dokumenterte bildearbeidsflyt er den samlede datamengden i forespørselen begrenset til 512 MB, og en forespørsel kan inneholde opptil 1500 bilder; bildene og teksten må også passe i modellens kontekst.

OpenAIs arbeidsflyt for filinndata gir en modell med bildestøtte både uthentet tekst og sidebilder fra PDF-filer. Kontordokumenter som ikke er PDF-filer, leverer uthentet tekst fremfor innebygde diagrammer, og regnearkgrunnlaget suppleres fra opptil de første 1000 radene i hvert ark. Hver fil må være under 50 MB, med en samlet grense på 50 MB per forespørsel. Chat Completions støtter PDF-fildeler; den dokumenterte Responses-arbeidsflyten godtar flere filformater. Velg en PDF-representasjon når visuell nøyaktighet er viktig, og hold kildeidentifikatorene synlige i resultatet.

Strømming kan returnere svaret etter hvert som det genereres. Structured Outputs begrenser et fullført svar til den støttede delmengden av JSON Schema, noe som er nyttig for dokumentuthenting eller et applikasjonsobjekt med definerte felt. JSON-modus handler bare om gyldig JSON. Definer forventede typer, tillatte verdier og håndtering av manglende belegg, og håndter deretter eksplisitte avslag eller ufullstendige svar separat. Et skjema fastslår ikke om en verdi er faktuelt korrekt, så de forespurte feltene skal fortsatt kunne spores til det innsendte materialet.

Produsenten støtter funksjonskall, nettsøk, filsøk, kodetolking og MCP-tilkoblinger. Egendefinerte funksjoner trenger meningsfulle beskrivelser og argumentskjemaer; applikasjonen utfører den forespurte handlingen og returnerer resultatet for modellens neste trinn. GPT-4o kan også styre et separat bildegenereringsverktøy i en konfigurert Responses-arbeidsflyt. Et bilde opprettet av et verktøy er et eget produkt, mens GPT-4os eget dokumenterte svar er tekst. Agentens endelige forklaring skal bruke faktiske innhentede eller beregnede observasjoner, fremfor å behandle et foreslått verktøykall som en fullført operasjon.

Predicted Outputs er tilgjengelig for GPT-4o ved regenerering av i hovedsak kjent tekst eller kode med små endringer. Oppgi det eksisterende innholdet og en presis endring, og undersøk deretter det returnerte produktet. Denne arbeidsflyten er bare for tekst, kombineres ikke med funksjonskall og utelukker logprobs, max_completion_tokens og flere andre innstillinger. En verktøybasert forespørsel er et separat valg når svaret avhenger av ny informasjon fra en ekstern operasjon.

OpenAI dokumenterer finjustering for GPT-4o, og optimaliseringsveiledningen navngir spesielt modellversjonen datert 6. august 2024 for visuell finjustering med bildeeksempler. Denne versjonsspesifikke tilpasningsarbeidsflyten er atskilt fra en vanlig forespørsel til modellaliaset. For daglig skriving, analyse eller uthenting begynner du med et nyttig oppgavegrunnlag og et eksempel på ønskede utdata. En oppfølging kan avklare én manglende opplysning, revidere et felt eller videreutvikle det samme produktet og samtidig beholde oppgavens belegg og begrensninger.