OpenAI: GPT-4o (batch)

GPT-4o é o modelo GPT versátil da OpenAI para compreensão de texto e imagens, escrita e trabalho com aplicações. O “o” significa “omni”, enquanto este modelo documentado aceita texto e imagens e devolve texto, incluindo Structured Outputs. Um pedido prático pode combinar orientações escritas com fotografias, capturas de ecrã ou páginas de documentos e pedir uma explicação clara, um resultado editado ou campos definidos para outra etapa da aplicação.

Para um relatório, forneça os documentos de origem e a decisão que o relatório deve apoiar. Identifique as datas, unidades e etiquetas das evidências relevantes, depois peça uma comparação que distinga observações, pressupostos e informação em falta. Para uma tarefa visual, indique o objeto, gráfico ou estado da interface relevante e inclua o contexto circundante. Para uma alteração ao código, forneça o código afetado, o comportamento pretendido e os requisitos que devem permanecer intactos. Estas são formas concretas de utilizar as capacidades de texto e imagem do modelo, sem depender de o pedido de texto dar a entender toda a tarefa.

O perfil atual de GPT-4o da OpenAI indica uma janela de contexto de 128 000 tokens, uma saída máxima de 16 384 tokens e conhecimentos atualizados até 1 de outubro de 2023. O fabricante enumera separadamente várias versões datadas de GPT-4o. A conversa, o material de entrada e a resposta gerada partilham o orçamento de contexto, pelo que uma coleção grande de documentos ainda precisa de organização e espaço para o resultado final. Os factos que mudam ou provêm de um sistema privado devem ser fornecidos diretamente ou obtidos através de uma ferramenta configurada explicitamente.

O guia de visão aceita PNG, JPEG, WebP e GIF não animado. GPT-4o suporta detalhe de imagem low, high e auto; high e auto seguem processamento baseado em blocos. Amplie etiquetas pequenas, mantenha o texto na orientação correta e preserve a legenda ou o diagrama circundante ao interpretar um gráfico. As limitações documentadas incluem localização espacial precisa, contagens aproximadas de objetos, algumas escritas não latinas e vistas panorâmicas ou em olho de peixe. O modelo pode também descrever incorretamente uma imagem, pelo que deve conservar a origem e pedir as observações específicas que sustentam uma interpretação. No processo de visão documentado da OpenAI, o conteúdo total do pedido é limitado a 512 MB e um pedido pode incluir até 1 500 imagens; as imagens e o texto têm também de caber no contexto do modelo.

O processo de entrada de ficheiros da OpenAI fornece a um modelo com visão tanto texto extraído como imagens das páginas de PDF. Documentos de escritório que não sejam PDF fornecem texto extraído, e não os seus gráficos incorporados, e as folhas de cálculo são enriquecidas utilizando, no máximo, as primeiras 1 000 linhas de cada folha. Cada ficheiro deve ter menos de 50 MB, com um limite total de 50 MB por pedido. Chat Completions suporta partes de ficheiro PDF; o processo Responses documentado aceita formatos de ficheiro adicionais. Escolha uma representação PDF quando a fidelidade visual for importante e mantenha os identificadores de origem visíveis no resultado.

O streaming pode devolver a resposta enquanto é gerada. Structured Outputs restringe uma resposta concluída ao subconjunto suportado de JSON Schema, sendo útil para extração documental ou um objeto da aplicação com campos definidos. O modo JSON trata apenas da validade do JSON. Defina os tipos esperados, os valores permitidos e o tratamento de evidências ausentes e depois trate separadamente recusas explícitas ou respostas incompletas. Um esquema não estabelece se um valor é factualmente correto, pelo que os campos pedidos devem continuar rastreáveis até ao material fornecido.

O fabricante suporta chamadas de funções, pesquisa na web, pesquisa em ficheiros, interpretação de código e ligações MCP. Funções personalizadas precisam de descrições significativas e esquemas de argumentos; a aplicação executa a ação pedida e devolve o seu resultado para a etapa seguinte do modelo. GPT-4o pode também dirigir uma ferramenta separada de geração de imagens num processo Responses configurado. Uma imagem criada por uma ferramenta é um resultado próprio, enquanto a resposta nativa documentada de GPT-4o é texto. A explicação final de um agente deve utilizar observações efetivamente obtidas ou calculadas, em vez de tratar uma chamada de ferramenta proposta como uma operação concluída.

Predicted Outputs está disponível para GPT-4o ao regenerar texto ou código em grande parte conhecido com pequenas alterações. Forneça o conteúdo existente e uma modificação precisa, depois examine o resultado devolvido. Este percurso só de texto não se combina com chamadas de funções e exclui logprobs, max_completion_tokens e vários outros controlos. Um pedido baseado em ferramentas é uma escolha separada quando a resposta depende de informação nova de uma operação externa.

A OpenAI documenta ajuste fino para GPT-4o, e o seu guia de otimização indica especificamente a versão de 6 de agosto de 2024 para ajuste fino de visão com exemplos de imagens. Esse processo de personalização específico da versão é distinto de um pedido normal ao alias do modelo. Para escrita, análise ou extração correntes, comece com orientações úteis e um exemplo da saída pretendida. Um pedido posterior pode resolver um facto em falta, rever um campo ou aperfeiçoar o mesmo resultado, preservando as evidências e os requisitos da tarefa.