GPT-4o คือก้าวกระโดดครั้งสำคัญในการทำให้การโต้ตอบระหว่างมนุษย์กับคอมพิวเตอร์เป็นธรรมชาติมากขึ้น โดยรองรับอินพุตได้หลากหลายรูปแบบและสร้างเอาต์พุตได้หลายรูปแบบเช่นกัน โมเดลนี้สามารถตอบสนองต่ออินพุตเสียงได้ในเวลาเพียง 232 มิลลิวินาที โดยเฉลี่ยอยู่ที่ 320 มิลลิวินาที ซึ่งใกล้เคียงกับเวลาการตอบสนองของมนุษย์ในการสนทนา
ในการบรรลุสิ่งนี้ Voice Mode ใช้ไปป์ไลน์สามโมเดลแยกกัน คือ โมเดลแรกถอดเสียงเป็นข้อความ โมเดล GPT-3.5 หรือ GPT-4 ประมวลผลข้อความ และโมเดลที่สามแปลงข้อความกลับเป็นเสียง ทำให้โมเดลหลักอย่าง GPT-4 อาจสูญเสียข้อมูลบางส่วน เช่น น้ำเสียง หรือเสียงรบกวนพื้นหลัง
การประเมินโมเดล
หลังจากวัดผลตามเกณฑ์มาตรฐาน GPT-4o ทำได้เทียบเท่า GPT-4 Turbo ในด้านข้อความ การให้เหตุผล และการเขียนโค้ด พร้อมทั้งสร้างมาตรฐานใหม่ในด้านหลายภาษา เสียง และการมองเห็น
ความปลอดภัยและข้อจำกัดของโมเดล
GPT-4o ยังผ่านการทดสอบจากผู้เชี่ยวชาญภายนอกกว่า 70 คน ในสาขาต่างๆ เช่น จิตวิทยาสังคม อคติ และข้อมูลที่ไม่ถูกต้อง เพื่อระบุความเสี่ยงที่เพิ่มขึ้นจากการเพิ่มรูปแบบการรับรู้ใหม่ๆ นี้
ตารางคะแนนความเสี่ยงของ ChatGPT-4o
ตารางนี้มีการปรับปรุงล่าสุดเมื่อวันที่ 8 พฤษภาคม 2024 โดยมีการประเมินความเสี่ยงก่อนและหลังการใช้มาตรการบรรเทาต่างๆ เพื่อให้เห็นภาพรวมของระดับความเสี่ยงของโมเดล
ศัพท์ที่ควรรู้
- GPT-4o – โมเดลใหม่ของ OpenAI ที่มี ‘o’ ย่อมาจาก ‘omni’ ซึ่งหมายถึงความสามารถรอบด้าน
- Pipeline – กระบวนการทำงานที่ประกอบด้วยหลายส่วนที่ทำงานต่อเนื่องกัน
- Transcription – การแปลงสัญญาณเสียงให้เป็นข้อความที่สามารถอ่านได้
- Benchmarks – การทดสอบมาตรฐานที่ใช้เปรียบเทียบประสิทธิภาพของโมเดล
- Red Teaming – การทดสอบอย่างเข้มข้นโดยผู้เชี่ยวชาญภายนอกเพื่อหาจุดอ่อนของระบบ
ที่มา: OpenAI