计算机行业动态研究-GPT-4o、Gemini新品接连发布-多模态技术奇点加速到来.pdfVIP

行业研究评级：推荐(维持)

[Table_Title]

GPT-4o、Gemini新品接连发布，多模态技术

奇点加速到来

——计算机行业动态研究

事件：

2024年5月14日，OpenAI在官网正式发布新旗舰模型GPT-4o多模

态大模型，其中o代表的是omni，即“全能”，GPT-4o可以实时对音

频、视觉和文本进行推理，相较于GPT-4Trubo速度更快、价格更便宜。

2024年5月15日，2024年谷歌I/O大会正式召开，会上谷歌将有哪些信誉好的足球投注网站业

务做了最彻底的AI改造，更新升级了Gemini1.5Pro版本，推出

Gemini1.5Flash轻量化小模型、生成视频模型Veo、AI智能体Project

Astra，并展示了与GPT-4o相似的语音视觉交互功能GeminiLive。

投资要点:

GPT持续迭代，GPT-4o推动人机交互再上新台阶

OpenAI持续升级GPT版本，2023年3月发布GPT-4在图片识别、

图文数据综合处理及逻辑推理等能力实现质变；2023年11月发布

GPT-4Turbo，支持125万tokens的同时也在上下文等多个领域实现显

著进步。本次发布GPT-4o带来各种能力升级：

①多模态交互，具有更优质的视频和音频理解以及图像生成能力：

GPT-4o能够接受文本、音频和视频的任意组合作为输入，并生成文本、

音频和图像的任意组合作为输出。与现有模型相比，GPT-4o在视觉和音

频理解方面有更好的表现；在理解和生成图像方面的能力优于现有模型，

能完成过往模型无法完成的任务。

②情绪感知：GPT-4o能够结合视频和音频感受对话者的情绪，并给

出充满人类情感的反馈。例如：在根据工作人员要求讲故事时，工作人

员可以随时插话打断并提出新要求，GPT-4o能几乎毫无停顿地接上话题

并按照要求变化音色、语调、情感等。

③毫秒级响应：GPT-4o对音频输入的响应时间可以快到232毫秒，

平均为320毫秒，这与人类在对话中的响应时间相近，此前GPT-4的语

音响应约5.4秒。

④性能＆成本优势：在传统基准测试中，GPT-4o在文本、推理和编

码智能方面，达到了GPT-4Turbo级别的性能，同时在多语言、音频和

视觉能力方面创下了新高。相比GPT-4Turbo，GPT-4o推理速度提升2

倍的同时，价格降低50%。

请务必阅读正文后免责条款部分

证券研究报告

打造全新GPT语音助手且免费开放，合作苹果＆微软加速端侧落地

OpenAI通过GPT-4o打造的语音版ChatGPT助手，当前已在

ChatGPT中开放使用，同时模型API同步放出。GPT语音助手主要功

能包括与用户跨音频、视频进行交流，例如，让GPT-4o进行实时翻译、

唱歌、做数学题、讲笑话等。未来，OpenAI将会在ChatGPTPlus中推

出新版语音模式GPT-4o的alpha版。

OpenAI与苹果合作，加速ChatGPT在端侧落地。OpenAI宣布推

出一款适用于macOS的桌面级应用，使用键盘快捷键就可向ChatGPT

提问。用户可通过电脑与ChatGPT语音对话，GPT-4o的新音频和视频

功能后续将推出。据《每日经济新闻》援引彭博社5月10日报道，苹果