A行业级
GPT-4o 发布
多模态从“外挂能力”变成统一模型
已核验1可追溯来源
OpenAI 发布 GPT-4o，以同一神经网络处理文本、视觉与音频，让实时语音和视觉交互第一次成为通用模型的原生能力。
发生了什么
GPT-4o 的“o”代表 omni。模型原生接收并生成文本、音频和图像信息，语音响应速度接近人类对话，并显著降低多模态推理成本。
当时的行业背景
GPT-4 时代的多模态体验往往由多个模型串联完成，语音交互需要分别经过转写、语言模型和语音合成，延迟和信息损失都很明显。
为什么重要
它把多模态从产品外围的组合能力推进成模型底层能力，改变了语音助手、实时翻译、视觉问答和人机交互的设计空间。
在它之前
文本、视觉和语音常由不同模型分段处理。
在它之后
单一通用模型开始统一感知、推理和表达。
影响
它改变了什么
对用户
用户可以用更自然的语音、画面和文本与同一个模型连续交流。
对开发者
多模态应用不再必须手工串联多个独立模型和中间格式。
对行业
原生实时多模态成为旗舰模型的重要竞争维度。
来源