OpenAI audio, ko'rish va matn bo'yicha real vaqtli xulosa chiqarish uchun yangilanishlarni chiqardi

Cointelegraph ma'lumotlariga ko'ra, OpenAI o'zining AI modellarini yaxshilash va tasvirni tanib olishni yaxshilash uchun oktyabr oyida to'rtta yangilanish kiritdi. Birinchi katta yangilanish - bu real vaqt rejimida API bo'lib, ishlab chiquvchilarga bitta so'rov yordamida AI tomonidan yaratilgan nutq ilovalarini yaratishga imkon beradi, bu esa ChatGPTning ilg'or nutq naqshlariga o'xshash tabiiy suhbatlarni ta'minlaydi. Ilgari, ishlab chiquvchilar ushbu tajribalarni yaratish uchun bir nechta modellarni "birlashtirish" kerak edi. Odatda, audio kirish to'liq yuklanishi va qayta ishlanishi kerak, bu esa ovozli suhbatlar kabi real vaqt ilovalari yuqori kechikishga ega bo'lishini anglatadi. Realtime APIning oqim imkoniyatlari bilan ishlab chiquvchilar endi ovozli yordamchi kabi darhol, tabiiy o'zaro ta'sirlarni amalga oshirishlari mumkin. 2024 yil may oyida chiqariladigan GPT-4 da ishlaydigan API audio, ko'rish va matn bo'ylab real vaqt infratsionini ta'minlaydi. Yana bir yangilanish ishlab chiquvchilarga tasvir va matn kirishlaridan yaratilgan AI javoblarini yaxshilash imkonini beruvchi nozik sozlash vositalarini o'z ichiga oladi. Tasvirga asoslangan nozik sozlagich AIga tasvirlarni yaxshiroq tushunishga imkon beradi, bu esa vizual qidiruv va ob'ektni aniqlashni yaxshilaydi. Jarayon yaxshi va yomon javoblar misollarini taqdim etuvchi insonlarning fikr-mulohazalarini o'z ichiga oladi. Nutq va ko'rish yangilanishlaridan tashqari, OpenAI "model distillatsiyasi" va "cue caching"ni joriy qildi, bu esa kichik modellarni kattalaridan o'rganishga va qayta ishlangan matnni qayta ishlatish orqali rivojlanish xarajatlari va vaqtini qisqartirishga imkon beradi. Reuters ma'lumotlariga ko'ra, OpenAI kelgusi yilda daromadlarini 11,6 milliard dollarga oshishini, 2024 yilda esa 3,7 milliard dollarga yetishini kutmoqda.