OpenAI: GPT-4o (batch)

GPT-4o är OpenAI:s mångsidiga GPT-modell för text- och bildförståelse, skrivande och applikationsarbete. Bokstaven ”o” står för ”omni”, medan den här dokumenterade modellen tar emot text och bilder och returnerar text, inklusive Structured Outputs. En praktisk förfrågan kan kombinera ett skriftligt underlag med fotografier, skärmbilder eller dokumentsidor och be om en tydlig förklaring, ett bearbetat resultat eller definierade fält för nästa applikationssteg.

För en rapport anger du källdokumenten och vilket beslut rapporten ska stödja. Identifiera relevanta datum, enheter och underlagets etiketter och be sedan om en jämförelse som skiljer observationer, antaganden och saknad information åt. För en visuell uppgift pekar du ut det viktiga föremålet, diagrammet eller gränssnittstillståndet och tar med omgivande sammanhang. För en kodändring anger du den berörda koden, det önskade beteendet och de begränsningar som måste förbli intakta. Det är konkreta sätt att använda modellens text- och bildförmågor utan att förlita sig på att prompten underförstår hela uppgiften.

OpenAI:s aktuella GPT-4o-profil anger ett kontextfönster på 128 000 token, högst 16 384 token i utdata och en kunskapsgräns den 1 oktober 2023. Tillverkaren listar flera daterade GPT-4o-versioner separat. Samtalet, indatamaterialet och det genererade svaret delar kontextbudgeten, så en stor dokumentsamling behöver fortfarande organiseras och lämna plats för sitt slutresultat. Fakta som förändras eller kommer från ett privat system ska tillhandahållas direkt eller hämtas genom ett uttryckligen konfigurerat verktyg.

Bildguiden accepterar PNG, JPEG, WebP och icke-animerad GIF. GPT-4o stöder bilddetaljnivåerna low, high och auto; high och auto delar upp bilden i rutor för bearbetningen. Förstora små etiketter, håll texten rättvänd och bevara teckenförklaringen eller det omgivande diagrammet när ett diagram tolkas. De dokumenterade begränsningarna omfattar exakt rumslig lokalisering, ungefärlig räkning av föremål, viss text med andra än latinska skriftsystem samt panorama- och fisheyevyer. Modellen kan också beskriva en bild felaktigt, så spara källan och be om de specifika observationer som stöder en tolkning. I OpenAI:s dokumenterade bildarbetsflöde är den totala datamängden i förfrågan begränsad till 512 MB och en förfrågan kan innehålla upp till 1 500 bilder; bilderna och texten måste också rymmas i modellens kontext.

OpenAI:s arbetsflöde för filindata ger en modell med bildförståelse både extraherad text och sidbilder från PDF-filer. Andra kontorsdokument än PDF bidrar med extraherad text men inte sina inbäddade diagram, och kalkylblad kompletteras med data från upp till de första 1 000 raderna per blad. Varje fil måste vara mindre än 50 MB, med en sammanlagd gräns på 50 MB per förfrågan. Chat Completions stöder PDF-fildelar; det dokumenterade Responses-arbetsflödet accepterar ytterligare filformat. Välj en PDF-representation när visuell trohet är viktig och håll källidentifierarna synliga i resultatet.

Strömning kan returnera svaret medan det genereras. Structured Outputs begränsar ett färdigt svar till den delmängd av JSON Schema som stöds, vilket gör det användbart för dokumentextraktion eller ett applikationsobjekt med definierade fält. JSON-läge hanterar endast att JSON är giltig. Definiera de förväntade typerna, tillåtna värdena och hur avsaknad av underlag ska hanteras och behandla sedan uttryckliga avböjanden eller ofullständiga svar separat. Ett schema fastställer inte om ett värde är faktamässigt korrekt, så de begärda fälten ska kunna spåras till det tillhandahållna materialet.

Tillverkaren stöder funktionsanrop, webbsökning, filsökning, kodtolkning och MCP-anslutningar. Anpassade funktioner behöver meningsfulla beskrivningar och argumentscheman; applikationen utför den begärda åtgärden och returnerar dess resultat till nästa modellsteg. GPT-4o kan även styra ett separat bildgenereringsverktyg i ett konfigurerat Responses-arbetsflöde. En verktygsskapad bild är en egen artefakt, medan GPT-4o:s dokumenterade egna svar är text. Agentens slutliga förklaring ska använda faktiskt hämtade eller beräknade observationer och inte behandla ett föreslaget verktygsanrop som en utförd operation.

Predicted Outputs är tillgängligt för GPT-4o vid återskapande av till stor del känd text eller kod med små ändringar. Ange det befintliga innehållet och en exakt ändring och granska sedan det returnerade resultatet. Den här vägen stöder endast text och går inte att kombinera med funktionsanrop och utesluter logprobs, max_completion_tokens och flera andra inställningar. En verktygsbaserad förfrågan är ett separat val när svaret beror på ny information från en extern operation.

OpenAI dokumenterar finjustering för GPT-4o, och dess optimeringsguide anger specifikt versionen från den 6 augusti 2024 för bildfinjustering med bildexempel. Detta versionsspecifika anpassningsflöde skiljer sig från en vanlig förfrågan till modellaliaset. För vardagligt skrivande, analys eller extraktion börjar du med ett användbart underlag och ett exempel på önskad utdata. En uppföljning kan reda ut en saknad uppgift, ändra ett fält eller förfina samma resultat och samtidigt bevara uppgiftens underlag och begränsningar.