正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

OpenAI 刚刚发布了 GPT-4o，这是一种新的人工智能模式，集合了文本、图片、视频、语音的全能模型。能实时响应用户的需求，并通过语音来实时回答你，你可以随时打断它。还具有视觉能力，能识别物体并根据视觉做出快速的响应和回答，具有非常强的逻辑推理能力。它的速度比 GPT4-turbo 快 2 倍，价格便宜 50%！向所有人免费提供。 GPT-4o 就是之前在在 LMSys 竞技场上测试了一个版本即 im-also-a-good-gpt2-chatbot

小互

114,473 subscribers

86,279 次观看 • 2 年前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

10 条评论

小互的头像

小互2 年前

解决数学的能力

小互的头像

小互2 年前

代码和数据分析能力展示

fei yang 的头像

fei yang2 年前

OpenAI 真是要往 agi 方向全力发展啊，有雏形了已经

小布Bruce 的头像

小布Bruce2 年前

对发布会做了个小结：

aaa 的头像

aaa2 年前

如果免费，价格便宜50%是什么意思？还是意味着有免费额度？

雷震子的头像

雷震子2 年前

现在app store可以下载吗

fei yang 的头像

fei yang2 年前

首赞

laxmadman 的头像

laxmadman2 年前

速度好快

做梦💭 的头像

做梦💭2 年前

小互老师好快

Lucid 的头像

Lucid2 年前

所以，gpt4还需要续费吗？

相关视频

一款名为 Quasar Alpha的神秘模型登陆了OpenRouter 上下文长度高达 100 万个 token 其的响应速度非常快，平均每秒可处理约 136 个 token 有人怀疑是 OpenAI 的开源模型，因为问它的是时候它回答是基于GPT 4 我测试了下确实很6啊...😅 Quasar Alpha 被设计为全能型模型，适用于多种任务，尤其是编码任务。官方描述和用户反馈暗示它可能具备多模态能力，Quasar Alpha 在 OpenRouter 上免费提供。根据 X 用户反馈，在 aider 多语言编码基准测试中得分约为 55%，与 DeepSeek V3 和一些 OpenAI 模型（如 o3-mini-medium）相当，优于 GPT-4o 的表现。

一款名为 Quasar Alpha的神秘模型登陆了OpenRouter 上下文长度高达 100 万个 token 其的响应速度非常快，平均每秒可处理约 136 个 token 有人怀疑是 OpenAI 的开源模型，因为问它的是时候它回答是基于GPT 4 我测试了下确实很6啊...😅 Quasar Alpha 被设计为全能型模型，适用于多种任务，尤其是编码任务。官方描述和用户反馈暗示它可能具备多模态能力，Quasar Alpha 在 OpenRouter 上免费提供。根据 X 用户反馈，在 aider 多语言编码基准测试中得分约为 55%，与 DeepSeek V3 和一些 OpenAI 模型（如 o3-mini-medium）相当，优于 GPT-4o 的表现。

小互

42,136 次观看 • 1 年前

GPT-Realtime-2 语音模型发布语音首次接入 GPT-5 推理能力 OpenAI一口气发布了三个实时语音模型： GPT-Realtime-2 GPT-Realtime-Translate GPT-Realtime-Whisper 其中GPT-Realtime-2 是其中的主角，这是 OpenAI 第一次把“GPT-5 级推理”塞进语音模型，同时把上下文从 32K 扩到 128K... GPT-Realtime-2：首个具备 GPT-5 级推理能力的语音模型，能在对话中推理复杂请求、并行调工具、处理打断和纠错，上下文窗口从 32K 升到 128K GPT-Realtime-Translate：实时语音翻译模型，支持 70+ 种输入语言、13 种输出语言，跟着说话人的节奏边听边译，能处理口音和专业词 GPT-Realtime-Whisper：流式语音转文字模型，边说边出字，专门给实时字幕、会议纪要、客服转写这类不能等的

GPT-Realtime-2 语音模型发布语音首次接入 GPT-5 推理能力 OpenAI一口气发布了三个实时语音模型： GPT-Realtime-2 GPT-Realtime-Translate GPT-Realtime-Whisper 其中GPT-Realtime-2 是其中的主角，这是 OpenAI 第一次把“GPT-5 级推理”塞进语音模型，同时把上下文从 32K 扩到 128K... GPT-Realtime-2：首个具备 GPT-5 级推理能力的语音模型，能在对话中推理复杂请求、并行调工具、处理打断和纠错，上下文窗口从 32K 升到 128K GPT-Realtime-Translate：实时语音翻译模型，支持 70+ 种输入语言、13 种输出语言，跟着说话人的节奏边听边译，能处理口音和专业词 GPT-Realtime-Whisper：流式语音转文字模型，边说边出字，专门给实时字幕、会议纪要、客服转写这类不能等的

小互

31,189 次观看 • 3 个月前

简单测试了一下ChatGPT的语音对话功能，现在的主要问题是响应速度和说英语时会吞字。响应速度实在太慢所以有剪辑。其他都很完美了，特别是cove这个音色，非常自然。

简单测试了一下ChatGPT的语音对话功能，现在的主要问题是响应速度和说英语时会吞字。响应速度实在太慢所以有剪辑。其他都很完美了，特别是cove这个音色，非常自然。

歸藏(guizang.ai)

73,464 次观看 • 2 年前

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

第一个开源的具有实时对话能力的多模态模型：Mini-Omni ，支持端到端的语音输入、输出 Mini-Omni是清华大学启元实验室开源的项目，能听、能说也能实时思考，在实时语音交互上媲美GPT-4o 特点： 1、实时语音到语音的对话能力: 无需额外的ASR或TTS模型 2、边思考边说话: 能够同时生成文本和音频 3、流式音频输出: 支持流式音频输出 4、"Any Model Can Talk" 方法: Mini-Omni 可以将语音交互能力添加到其他模型中，为其他模型赋能 github：论文： #LLM #实时语音对话LLM

AIGCLINK

52,402 次观看 • 2 年前

Kimi新出的K2.5模型（应该）是目前最强国产模型，极其全能。伴随新模型一起发布的，还有Agent集群功能。在K2.5的驱动下，Agent集群能根据你的需求即时生成多个Agent，并且并行运作。注意，是即时生成，不是那种预先设定好的。如果你是Kimi会员的话，请马上就去试试！

Kimi新出的K2.5模型（应该）是目前最强国产模型，极其全能。伴随新模型一起发布的，还有Agent集群功能。在K2.5的驱动下，Agent集群能根据你的需求即时生成多个Agent，并且并行运作。注意，是即时生成，不是那种预先设定好的。如果你是Kimi会员的话，请马上就去试试！

huangyihe

15,631 次观看 • 6 个月前

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

歸藏(guizang.ai)

47,074 次观看 • 3 个月前

使用 Google Gemini 做出了目前最强的英语口语学习软件。Gemini的多模态能力目前来说应该是世界第一。之前也尝试过用OpenAI的语音模式学习英语，问题是我英语本来就不是很好，每次回答还默认英语，而且他也无法识别语调，发音等问题，实际上那种模式是通过语音转文字后进行分析，完全无法分析你的语调和发音问题。 Gemini2.0的多模态功能完美解决了这个问题，目前他可以非常强的理解你的真实发音，而不是单纯的转换成文字后纠正，他可以真正的触达你的真实声音。下面是我自己练习时的视频，它是可以真正的分析你的发音，真的太强大了！

使用 Google Gemini 做出了目前最强的英语口语学习软件。Gemini的多模态能力目前来说应该是世界第一。之前也尝试过用OpenAI的语音模式学习英语，问题是我英语本来就不是很好，每次回答还默认英语，而且他也无法识别语调，发音等问题，实际上那种模式是通过语音转文字后进行分析，完全无法分析你的语调和发音问题。 Gemini2.0的多模态功能完美解决了这个问题，目前他可以非常强的理解你的真实发音，而不是单纯的转换成文字后纠正，他可以真正的触达你的真实声音。下面是我自己练习时的视频，它是可以真正的分析你的发音，真的太强大了！

Box (mainnet arc)

141,528 次观看 • 1 年前

OpenAI 今天发布 GPT-Live，用全双工架构（full-duplex）取代 ChatGPT 原有的语音模式。同声传译的演示效果很惊艳。两个型号 GPT-Live-1 和 GPT-Live-1 mini，分别面向付费和免费用户，今天起在 iOS、Android 和网页端全球推出。这是 ChatGPT 语音的第三代技术。之前的语音模式本质上是"对讲机"模式，你说完它才说，中间稍微停顿一下就可能被打断。GPT-Live 改成了全双工，可以一边听你说一边自己说，每秒做多次交互决策，判断该说话、该闭嘴、该打断还是该调用工具。对话中它会像真人一样插入"mhmm""got it"之类的回应，表示在听。架构上有一个比较有意思的变化：GPT-Live 把语音交互层和推理层拆开了。日常对话它自己处理，遇到需要联网搜索、深度推理的问题，就后台交给 GPT-5.5 去干活，自己继续跟你聊着。等结果出来了再无缝带回对话。OpenAI 说以后出了更新的模型会持续替换后端，前端语音模型不用重新训练。这个设计对做语音智能体的开发者可能比较有吸引力，也给了 OpenAI 一个把语音产品和模型迭代解耦的机制。用户端还加了三档推理强度可选：Instant（快速回答）、Medium 和 High（需要想一会儿的复杂问题），九个语音角色也重新录制过。语音对话中还能显示天气、股票、体育比分等可视化卡片。不过上线第一天用户反馈就出现了一个有点讽刺的问题：那些设计来让对话更自然的回应词，实际用起来让不少人觉得烦。社交媒体上已经有用户吐槽 GPT-Live 的"mhmm"太频繁，声音直接闯入注意力的感受和文字不同，AI 的热情过了头反而成了干扰。TechCrunch 在报道中也提到，演示中展示印地语实时翻译时，模型带着明显的美式口音，措辞偏书面，效果并不理想。OpenAI 说"针对最常用语言做了优化"，但没有公布具体支持哪些语言。另外，GPT-Live 上线时不支持视频通话和屏幕共享，需要这些功能的用户得切回旧版。API 也还没开放，开发者只能先登记排队。每周有超过 1.5 亿人使用 ChatGPT 的语音和听写功能。OpenAI 显然把语音视为下一个主力交互界面，ChatGPT Voice 产品负责人 Atty Eleti 说自己散步时经常跟它聊三四十分钟。至于全双工到底是一次真正的体验升级，还是又一个演示很惊艳、日常用起来还得调的产品，可能还得看接下来几周用户怎么说。官方介绍：

OpenAI 今天发布 GPT-Live，用全双工架构（full-duplex）取代 ChatGPT 原有的语音模式。同声传译的演示效果很惊艳。两个型号 GPT-Live-1 和 GPT-Live-1 mini，分别面向付费和免费用户，今天起在 iOS、Android 和网页端全球推出。这是 ChatGPT 语音的第三代技术。之前的语音模式本质上是"对讲机"模式，你说完它才说，中间稍微停顿一下就可能被打断。GPT-Live 改成了全双工，可以一边听你说一边自己说，每秒做多次交互决策，判断该说话、该闭嘴、该打断还是该调用工具。对话中它会像真人一样插入"mhmm""got it"之类的回应，表示在听。架构上有一个比较有意思的变化：GPT-Live 把语音交互层和推理层拆开了。日常对话它自己处理，遇到需要联网搜索、深度推理的问题，就后台交给 GPT-5.5 去干活，自己继续跟你聊着。等结果出来了再无缝带回对话。OpenAI 说以后出了更新的模型会持续替换后端，前端语音模型不用重新训练。这个设计对做语音智能体的开发者可能比较有吸引力，也给了 OpenAI 一个把语音产品和模型迭代解耦的机制。用户端还加了三档推理强度可选：Instant（快速回答）、Medium 和 High（需要想一会儿的复杂问题），九个语音角色也重新录制过。语音对话中还能显示天气、股票、体育比分等可视化卡片。不过上线第一天用户反馈就出现了一个有点讽刺的问题：那些设计来让对话更自然的回应词，实际用起来让不少人觉得烦。社交媒体上已经有用户吐槽 GPT-Live 的"mhmm"太频繁，声音直接闯入注意力的感受和文字不同，AI 的热情过了头反而成了干扰。TechCrunch 在报道中也提到，演示中展示印地语实时翻译时，模型带着明显的美式口音，措辞偏书面，效果并不理想。OpenAI 说"针对最常用语言做了优化"，但没有公布具体支持哪些语言。另外，GPT-Live 上线时不支持视频通话和屏幕共享，需要这些功能的用户得切回旧版。API 也还没开放，开发者只能先登记排队。每周有超过 1.5 亿人使用 ChatGPT 的语音和听写功能。OpenAI 显然把语音视为下一个主力交互界面，ChatGPT Voice 产品负责人 Atty Eleti 说自己散步时经常跟它聊三四十分钟。至于全双工到底是一次真正的体验升级，还是又一个演示很惊艳、日常用起来还得调的产品，可能还得看接下来几周用户怎么说。官方介绍：

宝玉

79,384 次观看 • 1 个月前

兄弟们这个牛P了 2800 tokens/s 啊😂 全球最快推理速度模型不要眨眼↓ ChatDLM：全球首个扩散语言模型 (DLM) 即将开源 ChatDLM深度融合了 Block Diffusion 和 Mixture-of-Experts (MoE) 架构，实现了全球最快的推理速度。同时支持131,072 tokens的超长上下文它的工作原理是：将输入分成许多小块，同时用不同“专家”模块处理，再智能整合，既快又准。主要功能有哪些？ - 回答速度非常快，能让聊天更自然流畅。 - 可以让用户“指定”输出的风格、长度、语气等细节。 - 可以只修改一段话里的某个部分，而不用重新生成全部内容。 - 能同时应对多个要求，比如要它生成一个有多项要求的答案。 - 翻译能力很强，可以在多种语言之间准确转换。 - 用的算力资源少，使用成本低。

兄弟们这个牛P了 2800 tokens/s 啊😂 全球最快推理速度模型不要眨眼↓ ChatDLM：全球首个扩散语言模型 (DLM) 即将开源 ChatDLM深度融合了 Block Diffusion 和 Mixture-of-Experts (MoE) 架构，实现了全球最快的推理速度。同时支持131,072 tokens的超长上下文它的工作原理是：将输入分成许多小块，同时用不同“专家”模块处理，再智能整合，既快又准。主要功能有哪些？ - 回答速度非常快，能让聊天更自然流畅。 - 可以让用户“指定”输出的风格、长度、语气等细节。 - 可以只修改一段话里的某个部分，而不用重新生成全部内容。 - 能同时应对多个要求，比如要它生成一个有多项要求的答案。 - 翻译能力很强，可以在多种语言之间准确转换。 - 用的算力资源少，使用成本低。

小互

43,179 次观看 • 1 年前

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

今天 Meta 发布了最新的开源模型的 Llama 3 首发和之前一样，包括了 8B 和 70B 两个版本，小扎说还有个 400B 参数的大号版预计在夏天发布，这可能是第一个 GPT-4 级别的开源模型！Meta 这次在 15T 的数据集上训练了一个 8B 的小模型，在参数规模、易用性和推理能力上做了最佳平衡，看来有算力真香😄 同时 Meta 也推出了自己的 ChatGPT 产品 Chat AI 了。。其实 HuggingChat 也不错的你可以在这里体验所有的开源大语言模型

indigo

183,917 次观看 • 2 年前

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。这是全球第一个实时多模态世界模型。它不只是生成画面，还能同时生成真实世界的声音。视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

卧槽，这个模型真的有点东西啊! 看完后就想问什么时候可以上手啊！ Odyssey AI实验室刚刚扔出一个真正让人眼前一亮的家伙：Starchild-1。这是全球第一个实时多模态世界模型。它不只是生成画面，还能同时生成真实世界的声音。视频里你能看到一个完整的场景：画面在动，声音同步响起，视觉和听觉完全融为一体，像真正活过来的世界模拟。以前的世界模型大多只能“看”世界，现在Starchild-1直接学会了“听”。这不仅仅是又一个视频生成工具，更大的意义是朝着通用世界模型又迈出的关键一步，真正理解并模拟物理世界的下一步。 Odyssey团队说，他们正在用这种新形式的多模态智能，重新定义AI对现实的认知。

Berryxia.AI

37,297 次观看 • 3 个月前

阿里刚刚发布了：Qwen3.5-Omni，原生全模态，自然涌现出Audio-Visual Vibe Coding能力也就是说它能看着画面写代码，给它看一段界面需求视频，它能直接生成对应代码，不是专门训练来的，模型自己学会的好比说你看一眼就会了，AI也做到了 Qwen3.5-Omni能无缝理解文本、图片、音频/音视频输入，支持细粒度、带时间戳的音视频Caption生成支持256K上下文、113种语言识别，能处理10小时音频或1 小时视频原生支持WebSearch和复杂Function Call 支持语义打断、音色克隆及语音控制给了Plus、Flash、Light三个版本 #Qwen35Omni #LLM

阿里刚刚发布了：Qwen3.5-Omni，原生全模态，自然涌现出Audio-Visual Vibe Coding能力也就是说它能看着画面写代码，给它看一段界面需求视频，它能直接生成对应代码，不是专门训练来的，模型自己学会的好比说你看一眼就会了，AI也做到了 Qwen3.5-Omni能无缝理解文本、图片、音频/音视频输入，支持细粒度、带时间戳的音视频Caption生成支持256K上下文、113种语言识别，能处理10小时音频或1 小时视频原生支持WebSearch和复杂Function Call 支持语义打断、音色克隆及语音控制给了Plus、Flash、Light三个版本 #Qwen35Omni #LLM

AIGCLINK

50,637 次观看 • 4 个月前

中共国的人形机器人，为什么能卖那么便宜？马斯克给出了答案。他说特斯拉的擎天柱，和中共国的机器人，根本不是一回事。目标完全不同。擎天柱的设计，是要拥有高度智能。还要有跟人类一样、甚至超越人类的机电灵巧度。中共国宇树科技的机器人，有这个吗？马斯克说，没有。擎天柱身高1米8，个子不小。它要能长时间搬运重物，还不能过热。更重要的是，它有“大脑”。一个没有智能的小机器人，当然会更便宜。这就引出了一个核心问题。这场机器人竞赛，比的到底是什么？是低成本的工业复制能力，还是高智能的颠覆性创造力？前者是制造业的逻辑，在现有赛道上追求极致效率。后者是科技革命的逻辑，重新定义赛道本身。当一个机器人拥有接近人类的智能和灵活性，它就不再仅仅是工具。它会成为劳动力的替代，甚至是伙伴。这两种路线背后，是两种模式的对决。一个追求快速铺量，占领市场，用价格战清扫对手。另一个则是在无人区探索，不计成本地追求技术的终极形态。这场竞赛的终点，谁会定义未来？是能快速制造廉价劳动力的工厂，还是能创造出全新物种的实验室？

中共国的人形机器人，为什么能卖那么便宜？马斯克给出了答案。他说特斯拉的擎天柱，和中共国的机器人，根本不是一回事。目标完全不同。擎天柱的设计，是要拥有高度智能。还要有跟人类一样、甚至超越人类的机电灵巧度。中共国宇树科技的机器人，有这个吗？马斯克说，没有。擎天柱身高1米8，个子不小。它要能长时间搬运重物，还不能过热。更重要的是，它有“大脑”。一个没有智能的小机器人，当然会更便宜。这就引出了一个核心问题。这场机器人竞赛，比的到底是什么？是低成本的工业复制能力，还是高智能的颠覆性创造力？前者是制造业的逻辑，在现有赛道上追求极致效率。后者是科技革命的逻辑，重新定义赛道本身。当一个机器人拥有接近人类的智能和灵活性，它就不再仅仅是工具。它会成为劳动力的替代，甚至是伙伴。这两种路线背后，是两种模式的对决。一个追求快速铺量，占领市场，用价格战清扫对手。另一个则是在无人区探索，不计成本地追求技术的终极形态。这场竞赛的终点，谁会定义未来？是能快速制造廉价劳动力的工厂，还是能创造出全新物种的实验室？

墓碑科技

64,790 次观看 • 6 个月前