GPT-4o

GPT-4o（「o」は「omni」の略）は、OpenAIが開発し、2024年5月にリリースされた、多言語、マルチ モーダル生成の事前トレーニング済みトランスフォーマーです。 ^{[1] GPT-4oは無料ですが、} ChatGPT Plus加入者の場合は使用制限が5倍になります。 ^[2]テキスト、画像、音声を処理および生成できます。^[3]アプリケーションプログラミングインターフェース（API）は、前身のGPT-4 Turboの2倍の速度で、半分の価格で提供されています。^[1]

もともと、GPT-4oの複数のバージョンが、Large Model Systems Organization（LMSYS）のChatbot Arenaで3つの異なるモデルとして異なる名前で秘密裏にリリースされました。これら3つのモデルは、gpt2-chatbot、im-a-good-gpt2-chatbot、im-also-a-good-gpt2-chatbotと呼ばれていました。 ^[4] 2024年5月7日、サム・アルトマンは「im-a-good-gpt2-chatbot」とツイートしましたが、これは一般的に、これらがA/Bテスト中の新しいOpenAIモデルであることを確認するものと解釈されました。^[5]

GPT-4oは音声、多言語、視覚のベンチマークで最先端の結果を達成し、音声認識と翻訳の新記録を樹立しました。^{[6] [7]} GPT-4oは大規模マルチタスク言語理解（MMLU）ベンチマークで88.7のスコアを獲得し、GPT-4は86.5でした。^[8]音声処理に他のモデルに依存するGPT-3.5やGPT-4とは異なり、GPT-4oは音声対音声をネイティブにサポートしています。 ^[8]サム・アルトマンは2024年5月15日に、GPT-4oの音声対音声機能はまだChatGPTに統合されておらず、古いバージョンがまだ使用されていることを指摘しました。^[9] この新しいモードは高度な音声モードと呼ばれ、現在は限定的なアルファリリースです。^[10]

このモデルは50以上の言語をサポートしており^[1] 、 OpenAIは話者の97%以上をカバーしていると主張している。^[11]ミラ・ムラティは、2024年5月13日にライブストリーミングされたOpenAIのデモンストレーションイベントで、モデルにイタリア語で話しかけ、英語とイタリア語間で翻訳させることで、モデルの多言語機能を実証した。さらに、新しいトークナイザーは、特定の言語、特にラテンアルファベットに基づかない言語ではトークンを少なく使用するため、それらの言語ではコストが安くなる。^[8]

GPT-4oは2023年10月までの知識を持っていますが^{[12] [13]、}最新の情報が必要な場合はインターネットにアクセスできます。コンテキストの長さは128kトークンです^[12]、出力トークンの制限は4,096に制限されています^[13]。その後のアップデート（gpt-4o-2024-08-06）後は16,384になりました^{[14] 。}

2024年5月現在、カリフォルニア大学バークレー校によるLMSYS Elo Arenaベンチマークではトップモデルとなっている。^[15]

2024年8月、OpenAIは企業顧客が自社の独自データを使用してGPT-4oをカスタマイズできる新機能を導入しました。このカスタマイズはファインチューニングと呼ばれ、企業はGPT-4oを特定のタスクや業界に適応させ、顧客サービスや専門知識の領域などの分野での有用性を高めることができます。以前は、ファインチューニングはより低性能のモデルGPT-4o miniでのみ利用可能でした。^{[16] [17]}

微調整プロセスでは、顧客がデータをOpenAIのサーバーにアップロードする必要があり、トレーニングには通常1〜2時間かかります。当初、カスタマイズはテキストベースのデータに限定されます。OpenAIがこの展開で重点を置いているのは、企業がAIソリューションをニーズに合わせて調整するために必要な複雑さと労力を軽減し、企業環境でのAIの採用と有効性を高めることです。^{[18] [16]}

2024年7月18日、OpenAIはより小型で安価なバージョンであるGPT-4o miniをリリースした。^[19]

OpenAIによると、その低コストは、大量のAPI呼び出しを行うことが多い自社サービスに統合したい企業、スタートアップ、開発者にとって特に有益であると期待されています。APIのコストは、GPT-4oのそれぞれ5ドルと15ドルと比較して、100万入力トークンあたり0.15ドル、100万出力トークンあたり0.6ドルです。また、ChatGPTインターフェースで置き換えられたGPT-3.5 Turboよりも大幅に機能が向上し、60％安価です。^[19]微調整後の価格は2倍になり、100万入力トークンあたり0.3ドル、100万出力トークンあたり1.2ドルになります。^[20]

GPT-4o mini は、ログインしておらず ChatGPT をゲストとして使用するユーザーや、GPT-4o の制限に達したユーザー向けのデフォルト モデルです。

GPT-4o miniは、2024年秋にAppleのモバイルデバイスとMacデスクトップでApple Intelligence機能を通じて利用可能になる予定です。^[19]

リリースされた時点で、GPT-4oはBreeze、Cove、Ember、Juniper、Skyの5つの音声を提供していました。アメリカの女優スカーレット・ヨハンソンとSky の声の類似性はすぐに注目されました。5月14日、Entertainment Weeklyは、この類似性は意図的なものかどうかを自問しました。^[21] 5月18日、ヨハンソンの夫であるコリン・ジョストは、サタデー・ナイト・ライブのセグメントで類似性について冗談を言いました。^[22] 2024年5月20日、OpenAIはSkyの音声を無効にし、「ChatGPT、特にSkyの音声の選択方法について質問を受けています。それらに対処する間、Skyの使用を一時停止するように取り組んでいます」という声明を発表しました。^[23]

スカーレット・ヨハンソンは2013年にSF映画『 her/世界でひとつの彼女』で主演を務め、女性の声で擬人化された人工知能のバーチャルアシスタント、サマンサ役を演じた。GPT-4oのリリースに先立つプロモーションの一環として、サム・アルトマンは5月13日に「彼女」という単語をツイートした。^{[24] [25]}

OpenAIは、それぞれの声は雇われた俳優の声優によるものだと主張した。具体的には、「スカイの声はスカーレット・ヨハンソンの真似ではなく、別のプロの女優が彼女自身の自然な話し声を使ったものだ」と主張した。 ^[23] OpenAIは2023年9月にすでに、スカーレット・ヨハンソンに似た声のChatGPTアシスタントの近日発売予定の新しい会話バージョンは「女優に似せようとしたものではない」と主張していた。^[26] CTOのミラ・ムラティは「声については分からない。実際にスカーレット・ヨハンソンの声を聞きに行かなければならなかった」と述べた。OpenAIはさらに、ヨハンソンに連絡する前に声優を募集したと主張した。^[25]

5月21日、ヨハンソンは声明を発表し、OpenAIがリリースの9か月前に彼女の声を使用する許可を得るために何度も契約を申し出たが、彼女はそれを拒否したと説明した。彼女は「アルトマン氏が私の声に不気味なほど似ていて、私の親しい友人や報道機関が違いを区別できない声を追求したことにショックを受け、怒り、信じられない思いでした」と述べた。声明の中で、ヨハンソンはまた、この事件を利用して、主要なAIツールを動かすための創造的な作品の使用に関する法的保護の欠如に注意を喚起し、彼女の法律顧問はOpenAIにスカイの声が作成された詳細を詳しく説明するよう要求した。^{[25] [27]}

観察者たちは、ヨハンソンが以前、マーベル映画『ブラック・ウィドウ』の直接ストリーミング配信をめぐる契約違反でウォルト・ディズニー・カンパニーを訴えて和解した方法との類似点を指摘した。 ^[28]この和解によりヨハンソンは4000万ドルほどを手にしたと広く推測されている。^[29]

また、5月21日には、ワシントンポストのシラ・オヴィデがテクノロジー企業による「最も間抜けな自己流」のリストを発表し、ヨハンソンの反対にもかかわらずヨハンソンに似た声を採用し、その後類似点を否定した決定は6位にランクされた。^[26] 5月24日、ポリティコのデレク・ロバートソンは「大規模な反発」について書き、「世界で最も有名な映画スターの1人の声を盗用することは、AIへの過度の依存についての警告となる映画に関連しているが、すぐには世論を[サム・アルトマン]の側に引き戻すのに役立つ可能性は低い」と結論付けた。^[30]

• ラマ（言語モデル）
• アップルインテリジェンス