OpenAI, судя по комментариям сотрудников, разрабатывает новый мультимодальный «omni»-модель, которая может стать преемником GPT-4o.
Сотрудник команды Voice Атти Элети написал, что он «очень воодушевлён тем, что будет дальше», и спросил пользователей, чего они ждут от новой omni-модели. Исследователь OpenAI Брэндон МакКинзи, ранее занимавшийся мультимодальными системами в Apple, ответил, что потенциальная omni-модель «звучит как отличная идея».
Под мультимодальной, или «omni», понимается единая модель, которая обрабатывает разные типы данных — текст, изображения, аудио и видео, без разделения на отдельные системы под каждый формат. GPT-4o стала первой такой моделью OpenAI, объединившей работу с текстом, картинками и голосом в одном решении.
Последняя на данный момент модель компании, GPT-5.4, уже напрямую поддерживает режим «computer use», то есть может управлять интерфейсами, изначально созданными для людей, и выполнять действия в приложениях.
По данным The Information, OpenAI также готовит новый аудиомодель под названием BiDi (от «bidirectional»), которая должна сделать голосовое общение с ИИ более естественным. Сейчас голосовые системы отвечают по очереди: модель ждёт, пока пользователь договорит. BiDi, напротив, рассчитана на взаимодействие в реальном времени и умеет обрабатывать перебивания и вставки во время диалога.
Прототип BiDi уже существует, однако, как пишет The Information, он начинает давать сбои после нескольких минут разговора. Запуск этой модели могут перенести на второй квартал или более поздний срок.
Источник: The Information.
