OpenAI称，通过GPT-4o，公司跨文本、视觉和音频端到端地训练了一个新模型，这意味着所有的输入和输出都由同一个神经网络处理。由于GPT-4o是OpenAI第一个结合了所有这些模式的模型，因此公司在探索该模型的功能及其局限性方面仍处于起步阶段。

该公司首席执行官山姆·奥特曼(Sam Altman)此前已预告，最新发布的产品“不是GPT-5，不是搜索引擎，但我们一直在努力开发一些我们认为人们会喜欢的新东西”。

据介绍，GPT-4o可以实时对音频、视觉和文本进行推理，接受文本、音频和图像的任意组合输入，并生成文本、音频和图像的任意组合输出。

例如，在一个演示中，OpenAI前沿研究负责人马克·陈(Mark Chen)通过手机与ChatGPT进行对话。Chen和ChatGPT说，他正在进行演示有些紧张，于是ChatGPT就“像朋友一样”，对他进行了安慰。同时，ChatGPT还能从Chen急促的喘气声中，听出他的紧张，然后对他说“慢一点。Mark，你不是吸尘器。吸气，然后数到四。”

有网友表示，根据目前展示的视频来看，GPT-4o在语音交互体验上提升了不少。有网友认为，GPT-4o对算力的需求更大了。也有网友提出，既然GPT-4o具备了“视觉”，它是否可以代替盲人看世界。

对此，山姆·奥特曼在社交媒体表示，最初的ChatGPT展示了语言界面的雏形，而新的ChatGPT则给人截然不同的感觉。它快速、智能、有趣、自然，而且“乐于助人”。“随着我们增加(可选的)个性化功能、访问信息的功能、代表你采取行动的功能等，我真的看到了一个令人兴奋的未来，我们可以用电脑做比以往更多的事情。”(完)

OpenAI称，GPT-4o可以在短至232毫秒的时间内对音频输入做出反应，平均反应时间为320毫秒，这与人类在对话中的反应时间相近。此外，它在英语和代码文本方面的性能与GPT-4 Turbo相当，在非英语语言文本方面也有显著提高。同时在API(应用程序接口)方面，速度更快，成本也降低了50%。

未满十八周岁禁止观看OpenAI网站称，GPT-4o的“o”代表“omni”。在英语中“omni”常被用作词根，用来表示“全部”或“所有”的概念。

在另一个演示中，OpenAI后训练团队负责人巴雷特·佐夫(Barret Zoph)把自己的脸对着镜头，让GPT-4o看看自己的情绪如何。在演示的过程中，Zoph先打开了手机的后置摄像头，拍到了木质桌面，于是ChatGPT说，“我看到的好像是木质表面。”而让ChatGPT再试一次后，ChatGPT对Zoph说，“你看起来很开心，笑容灿烂，也许还有一丝兴奋。”

同时，OpenAI还在官网发布了一系列演示视频：GPT-4o可以帮助学习数学、学习西班牙语、准备面试，可以通过画面判断出你正在过生日，然后给你唱生日快乐歌，可以根据要求唱不同风格的催眠曲，甚至还可以当“石头剪刀布”的裁判。而在这些视频中，GPT-4o与演示者的对话流畅，说话语气就“像真人一样”。