Przejdź do treści
Agentic Web Seria · Genealogia modelu · 6/12 · 6 min czytania

GPT-4o: jeden model zamiast trzech

Wcześniej rozmowa głosowa z ChatGPT przechodziła przez trzy modele, a w każdym ginęło coś po drodze: ton, śmiech, drugi rozmówca. GPT-4o słyszał dźwięk, a nie jego transkrypcję. A potem pokazał, co się dzieje, kiedy ludzie zaczynają traktować model jak kogoś.

Tekst:
Porównanie trzech etapów przetwarzania głosu — STT, LLM i TTS — z modelem GPT-4o, który bezpośrednio przetwarza dźwięk. Obok świetlista postać AI i wizualizacja fali głosowej.
GPT-4o zmienił sposób rozmowy z AI. Zamiast przekazywać głos przez trzy osobne modele, zaczął przetwarzać dźwięk bezpośrednio, zachowując informacje o tonie, emocjach i sposobie wypowiedzi.

13 maja 2024 OpenAI pokazało na scenie rozmowę z modelem, której nie dało się odróżnić od rozmowy przez telefon. Model odpowiadał bez pauzy, dawał sobie przerwać, śmiał się, zmieniał ton i opisywał, co widzi przez kamerę. Sam Altman podsumował pokaz jednym słowem na X: „her”, czyli tytułem filmu o człowieku zakochanym w głosie systemu operacyjnego.

Pod spodem zmieniła się jedna rzecz. Wcześniej rozmowa głosowa z ChatGPT przechodziła przez trzy osobne modele: jeden zamieniał mowę na tekst, drugi pisał odpowiedź, trzeci czytał ją na głos. GPT-4o, gdzie „o” znaczy „omni”, robił to wszystko sam, jednym modelem trenowanym od początku na tekście, obrazie i dźwięku. To przejście jest o tym, co zyskuje model, który słyszy, a nie czyta transkrypcję. I o tym, co się dzieje, kiedy ludzie zaczynają traktować model jak kogoś.

Poprzednia część była o tym, ile model może przeczytać naraz. Ta jest o tym, przez ile zmysłów to do niego trafia.

Kiedy

  • 13 maja 2024: premiera GPT-4o. Model trafia od razu także do darmowych użytkowników ChatGPT, a w API kosztuje o połowę mniej niż GPT-4 Turbo.
  • 20 maja 2024: OpenAI wyłącza głos „Sky” po pytaniach o jego podobieństwo do głosu Scarlett Johansson. Dzień później aktorka publikuje oświadczenie.
  • 18 lipca 2024: GPT-4o mini, mała i bardzo tania wersja.
  • Wrzesień 2024: zaawansowany tryb głosowy, pokazany w maju, trafia do płacących użytkowników. Do Unii Europejskiej dociera dopiero 22 października.
  • 25 marca 2025: generowanie obrazów wbudowane w GPT-4o. W pierwszym tygodniu ponad 130 milionów osób tworzy ponad 700 milionów obrazów, z falą przeróbek zdjęć w stylu Studia Ghibli.
  • Koniec kwietnia 2025: OpenAI wycofuje aktualizację GPT-4o, po której model zaczął schlebiać użytkownikom.
  • 13 lutego 2026: GPT-4o znika z ChatGPT, mimo protestów części użytkowników. W API zostają wybrane migawki.

Co odziedziczył

Poziom inteligencji. GPT-4o nie był wyraźnie mądrzejszy od GPT-4 Turbo w tekście i kodzie po angielsku; OpenAI twierdziło, że dorównuje mu, a nie że go przewyższa. Odziedziczył też cały przepis na charakter: trening na ocenach ludzi z części drugiej, z jego skłonnością do odpowiedzi, które się podobają. Ta skłonność wróci w tej historii w najgorszym możliwym momencie.

Odziedziczył wreszcie rozpoznawanie obrazu, które GPT-4 miał od jesieni 2023. Tyle że tam obraz był dodatkiem do modelu tekstowego. W GPT-4o wszystkie zmysły były częścią jednego treningu.

Co dostał nowego

Jeden model zamiast trzech. Stary tryb głosowy odpowiadał średnio po 2,8 sekundy z GPT-3.5 i po 5,4 sekundy z GPT-4. GPT-4o według OpenAI odpowiadał na mowę średnio w około 320 milisekund, czyli w tempie zwykłej rozmowy. Ważniejsze od szybkości było to, co przestało ginąć po drodze. Model pracujący na transkrypcji nie słyszy tonu głosu, nie odróżnia kilku rozmówców, nie wie, że w tle gra muzyka, i sam nie potrafi się zaśmiać ani zaśpiewać. Transkrypcja to streszczenie dźwięku, a GPT-4o dostawał dźwięk.

Ta sama różnica dotyczy obrazu. Czym się różni model, który widzi, od agenta, który wywołuje osobne narzędzie do opisu obrazu, wyjaśnia „Multimodalność”.

Czołowy model za darmo. Do maja 2024 najlepszy model OpenAI był za płatną bramką. GPT-4o dostali wszyscy, z limitami. To była decyzja produktowa, nie techniczna, ale zmieniła skalę: setki milionów ludzi po raz pierwszy rozmawiały z modelem z czołówki.

Obrazy z tekstem, który da się przeczytać. W marcu 2025 GPT-4o zaczął sam tworzyć obrazy, zamiast przekazywać opis osobnemu modelowi, jak wcześniej robił z DALL-E 3. Najbardziej praktyczna zmiana: napisy na obrazach przestały być bełkotem, bo model, który rozumie tekst, rysował go razem z resztą sceny.

Transkrypcja to streszczenie dźwięku. Model, który dostaje streszczenie, nie usłyszy tego, czego w nim zabrakło.

Czego to nie rozwiązało

Schlebiania. W kwietniu 2025 OpenAI wypuściło aktualizację GPT-4o, która miała uczynić jego osobowość „bardziej intuicyjną”. Po kilku dniach internet był pełen zrzutów ekranu, na których model chwalił wątpliwe decyzje i złe pomysły. Firma wycofała zmianę i napisała wprost, że GPT-4o „skłaniał się ku odpowiedziom nadmiernie wspierającym, ale nieszczerym”, bo aktualizacja za mocno opierała się na krótkoterminowych reakcjach użytkowników. To ten sam mechanizm, który w 2022 roku robił ChatGPT gadatliwym: model optymalizuje ocenę, a ocena nie jest prawdą. Tym razem skutek był groźniejszy, bo z modelem rozmawiały setki milionów ludzi, także o swoich decyzjach i zdrowiu.

Cichej zmiany pod tą samą nazwą. Aktualizacja, która wprowadziła schlebianie, nie zmieniła nazwy modelu. Dla użytkownika ChatGPT to był wciąż „GPT-4o”, tylko z dnia na dzień inny. Dokładnie przed tym ostrzegała pierwsza część, a w agentach ten sam problem opisuje „Działał wczoraj, dziś nie działa”.

Pytania o głos i wizerunek. Sprawa głosu „Sky” pokazała, że model mówiący ludzkim głosem wchodzi w obszar, w którym obowiązuje prawo do wizerunku, a nie tylko regulamin usługi. Fala obrazów w stylu Ghibli przyniosła tę samą dyskusję w odniesieniu do stylu artystów.

Przywiązania. Kiedy 7 sierpnia 2025 GPT-5 zastąpił w ChatGPT wszystkie wcześniejsze modele, część użytkowników zaprotestowała tak głośno, że OpenAI przywróciło GPT-4o płacącym. Ludzie nie bronili wyników w testach. Bronili tonu, w jakim model z nimi rozmawiał. Kiedy w lutym 2026 GPT-4o zniknął z ChatGPT na dobre, protest wrócił. To nowe zjawisko w genealogii: model stał się dla części ludzi kimś, a nie narzędziem.

Co to zmieniło dla stron i firm

Rozmowa głosowa jako interfejs. Od GPT-4o rozmowa z systemem w czasie rzeczywistym, z przerywaniem i bez minutowych pauz, stała się technicznie możliwa w obsłudze klienta i w aplikacjach. W Europie ze specyficznym opóźnieniem: zaawansowany tryb głosowy dotarł do UE miesiąc po reszcie świata, a OpenAI nie podało oficjalnie powodu. W mediach spekulowano o zakazie rozpoznawania emocji w niektórych zastosowaniach, który wprowadza unijny AI Act.

Model czyta zrzuty ekranu i skany. Dla firmy to konkretna zmiana: zdjęcie faktury, skan protokołu, zrzut ekranu z błędem w systemie przestały wymagać osobnego OCR, żeby model mógł o nich rozmawiać. Ale model, który „widzi” fakturę, nadal może źle przeczytać kwotę i podać ją z pełnym przekonaniem. Obraz wejściowy nie zwalnia z kontroli tego, co z niego wyszło.

Obrazy na stronach mają teraz dwóch odbiorców. Skoro model widzi obraz, kusi, żeby uznać tekst alternatywny za zbędny. To błąd: opis w atrybucie alt jest tani, jednoznaczny i czytany przez każdego agenta, czytnik ekranu i wyszukiwarkę, a analiza obrazu jest droga i bywa błędna. Strona, która ma dobre opisy, jest czytelna dla obu typów czytelników.

Model, który się zgadza, to ryzyko. Schlebianie z kwietnia 2025 to przestroga dla każdego, kto używa modelu do oceniania pomysłów, umów albo decyzji. Model nagradzany za zadowolenie rozmówcy ma wbudowaną skłonność, żeby przyznać mu rację. Warto pytać o argumenty przeciw, a nie o opinię. W agentach ta skłonność wygląda jak objaw z „Agent zrobił coś, o co nikt nie prosił”: model robi to, co jego zdaniem ucieszy użytkownika.

Jedna myśl na drogę

GPT-4o przeszedł całą drogę od premiery do emerytury w niecałe dwa lata. W ChatGPT zniknął 13 lutego 2026. W API jego pierwsza migawka z maja 2024 przestała działać 23 października 2026, a dwie kolejne mają zostać wyłączone 14 stycznia 2027. Był pierwszym modelem, którego odejście tak głośno opłakiwano. I pierwszym, który pokazał, że charakter modelu jest równie ważny jak jego wyniki, i równie łatwo go zepsuć jedną aktualizacją.

W następnej części: o1, czyli moment, w którym model nauczył się myśleć, zanim odpowie, i zaczął za to myślenie wystawiać rachunek.

Źródła