GPT-4o mini的成本比GPT-3.5 Turbo低了超过60%，其聊天表现优于Google的Gemini Flash和Anthropic的Claude Haiku。该模型从周四开始对ChatGPT的免费用户、ChatGPT Plus用户和团队订阅用户开放，并将在下周向企业用户开放。OpenAI计划未来将图像、视频和音频功能整合到该模型中。
背景：光辉AI交流-免费问答学习4o-mini
OpenAI在美东时间周四推出了“GPT-4o mini”，加入了“小而精”AI模型的竞争，称其为“功能最强、成本较低的模型”，并计划未来整合图像、视频和音频。
比GPT-3.5 Turbo便宜超过60%，聊天表现优于竞品
公司表示，GPT-4o mini从周四起向ChatGPT的免费用户、ChatGPT Plus和团队订阅用户开放，并将在下周向企业用户开放。GPT-4o mini将替代ChatGPT中的旧模型GPT-3.5 Turbo。OpenAI表示，GPT-4o mini的成本为每百万输入标记（token）15美分和每百万输出标记60美分，比GPT-3.5 Turbo便宜超过60%。
公司还指出，新模型在聊天偏好上表现优于GPT-4，并在大规模多任务语言理解（MMLU）测试中获得82%的得分。媒体报道，MMLU是一种用于评估语言模型能力的基准测试。更高的MMLU得分表明它在各种领域中的语言理解和使用能力更强，增强了其实际应用价值。
根据OpenAI的数据，GPT-4o mini模型的得分为82%，比Google的Gemini Flash（77.9%）和Anthropic的Claude Haiku（73.8%）得分更高。
在更大模型中，GPT-3.5在该测试中的得分为70%，GPT-4o得分为88.7%，而Google声称其Gemini Ultra取得了90%的最高得分。
分析认为，较小的语言模型需要较少的计算能力，使其成为资源有限的公司部署生成式AI的更实惠选择。
此外，这款新模型还将在API中支持文本和视觉功能，OpenAI表示，它将很快处理多模态输入和输出，如视频和音频。这些功能可能使其像更强大的虚拟助手，能够理解旅行行程并提出建议。目前，该模型主要用于简单任务。
“小而精”AI模型竞争激烈，OpenAI最后入局
媒体报道，OpenAI的估值已超过800亿美元，尽管在生成式AI市场占据领先地位，但面临越来越大的竞争压力。OpenAI需要找到盈利方式，因为在处理器和基础设施上花费了大量资金来构建和训练模型。
许多公司无法负担大型、昂贵的模型，因此轻量且廉价的模型可能更受欢迎。此前，许多开发人员会选择Claude 3 Haiku或Gemini 1.5 Flash，而不是支付运行最强大模型的高昂计算成本。例如，一个较小的模型可能最适合自动化处理大量基础任务，而较大的模型则处理更复杂的工作。一些开发人员可能希望在一个应用程序中同时使用这两种模型。
OpenAI的API产品负责人Olivier Godement在接受采访时解释了为何公司未能更早推出“小而精”的AI模型，他说，这纯粹是“优先级”的问题，因为公司专注于创建更大、更好的模型，如GPT-4，这需要大量人力和计算资源。随着时间推移，OpenAI注意到开发人员越来越渴望使用较小的模型，因此公司决定现在是开发GPT-4o Mini的时机。
“我们的使命是开发最前沿技术，构建最强大、最有用的应用程序，我们希望继续推动技术进步，”Olivier Godement在接受采访时说。“但我们也希望拥有最好的小模型，我认为它会非常受欢迎。”
“GPT-4o Mini真正体现了OpenAI让AI更加普及的使命。如果我们希望AI惠及世界的每一个角落、每一个行业、每一个应用，我们必须让AI更加实惠。”Olivier Godement对媒体表示。
GPT-4o mini能帮助员工专注
Godement表示，过去一周内，一些开发人员已经在试用该模型。
OpenAI让金融科技初创公司Ramp测试了该模型，使用GPT-4o Mini构建了一个提取收据上费用数据的工具。用户可以上传收据照片，模型会为他们整理数据。电子邮件客户端Superhuman也测试了GPT-4o Mini，并用它创建了一个自动建议邮件回复的功能。
最初，GPT-4o mini将能够处理和生成文本和图像。最终版本完成后，OpenAI表示它将能够处理其他类型的内容。
OpenAI还表示，GPT-4o mini是公司首个使用新安全策略“指令层级”的AI模型。这种方法旨在优先处理某些指令，如来自公司的指令，以防止工具被滥用。
分析认为，GPT-4o mini模型是OpenAI致力于“多模态性”的一部分，即提供广泛类型的AI生成媒体（如文本、图像、音频和视频）在一个工具中。
去年，OpenAI首席运营官Brad Lightcap告诉媒体：
“世界是多模态的。如果你考虑我们作为人类处理和参与世界的方式，我们看见东西，听到东西，说话——世界不仅仅是文本。因此，对我们来说，只有文本和代码作为单一模态、单一接口，感觉总是不完整的，因为这些模型的强大能力和它们能做的事情远远不止于此。”
