Iepazīstinām ar GPT‑Live

Mēs palaižam GPT‑Live — jaunas paaudzes balss modeļus, kas sarunu ar MI padara daudz līdzīgāku īstai sarunai.

GPT‑Live ir veidots uz pilna dupleksa arhitektūras, kas nozīmē, ka tas var klausīties un runāt vienlaikus. Sarunu laikā GPT‑Live var parādīt, ka klausās, ar frāzēm kā „mmm” vai „jā”, iesaistīties ātrā dialogā vai vienkārši klusēt, kad jums vajadzīgs brīdis pārdomām. Rezultāts ir balss pieredze, ar kuru sarunāties ir patīkami viegli.

GPT‑Live ir arī mūsu līdz šim gudrākais balss modelis. Jautājumiem, kam nepieciešama meklēšana tīmeklī, dziļāka spriestspēja vai sarežģītāks darbs, tas aizkulisēs deleģē uzdevumu mūsu jaunākajam robežšķirtnes modelim un, kad rezultāts ir gatavs, atgriež to sarunā. Kamēr tas strādā, GPT‑Live var turpināt ar jums sarunāties un saglabāt sarunas plūdumu. Palaišanas brīdī GPT‑Live fonā izmantos GPT‑5.5. Izlaižot jaunus robežšķirtnes modeļus, mēs nepārtraukti atjaunināsim GPT‑Live izmantoto modeli.

Šie uzlabojumi darbina jaunu ChatGPT Voice pieredzi, kas ir viedāka un dabiskāka lietošanā. Laika gaitā, mūsuprāt, šis pētījums pavērs iespēju izmantot balsi arvien sarežģītākam, ilgstošākam un aģentiskākam darbam.

Šodien sākam ieviest divas GPT‑Live versijas — GPT‑Live‑1 un GPT‑Live‑1 mini — ChatGPT lietotājiem visā pasaulē. Drīzumā plānojam tās ieviest arī API, un izstrādātāji un uzņēmumi var pieteikties paziņojumiem, izmantojot šo veidlapu⁠.

Mūsu vīzija ir nodrošināt patiesi dabisku cilvēka un MI mijiedarbību: pasauli, kur sadarbība ar MI šķiet tikpat plūstoša un atsaucīga kā darbs ar citu cilvēku, bet spriestspēja un sarežģītu uzdevumu izpilde nemanāmi notiek fonā.

Vecākās balss MI sistēmu paaudzes mūs pietuvināja šai vīzijai, taču ar būtiskiem kompromisiem.

Kaskādes balss sistēmas paļaujas uz modeļu virkni, kas darbojas viens pēc otra, lai apstrādātu katru sarunas kārtu. Sākotnējā ChatGPT Voice savienoja trīs modeļus: runas pārveides tekstā modeli jūsu runas transkribēšanai, lielu valodas modeli atbildes izveidei un teksta pārveides runā modeli, lai to atkal pārvērstu runā. Šī pieeja pirmo reizi ļāva mums sarunāties ar robežšķirtnes MI modeļiem, taču sarežģītībai bija cena: informācija varēja pazust starp modeļiem, un atbildes bija lēnas un stīvas.

Uz sarunas kārtām balstīti balss modeļi, piemēram, ChatGPT uzlabotais balss režīms, apstrādāja un ģenerēja audio vienā modelī, samazinot aizturi un padarot sarunas plūstošākas — taču tie joprojām darbojās atsevišķās kārtās. Modelim bija jāgaida, līdz lietotājs pārstāj runāt, pirms tas varēja atbildēt, tāpēc dialogs kļuva stīvs. Turklāt, tā kā kārtas noteikšana balstās uz klusumu, pat īsa pauze vai fona troksnis varēja tikt sajaukts ar kārtas beigām — un modelis pārtrauca sarunu nedabiskos brīžos.

GPT‑Live risina šos ierobežojumus ar divām arhitektūras izmaiņām.

Pirmkārt, mēs izveidojām GPT‑Live nepārtrauktai mijiedarbībai, izmantojot pilndupleksa arhitektūru. Tā vietā, lai apstrādātu atsevišķu ziņojumu virkni, GPT‑Live nepārtraukti apstrādā ievadi, vienlaikus ģenerējot izvadi. Tāpēc modelis var pieņemt mijiedarbības lēmumus daudzas reizes sekundē: vai runāt, turpināt klausīties, ieturēt pauzi, pārtraukt vai izsaukt rīku.

Tas ļauj modelim iesaistīties dabiskākā dialogā, labāk uztvert laiku un pat veikt tulkošanu tiešraidē.

Otrkārt, mēs atdalījām GPT‑Live — kas nodrošina nepārtrauktu mijiedarbību — no dziļāka darba. Kad jautājumam nepieciešama meklēšana, spriestspēja vai aģentiskākas spējas, GPT‑Live var deleģēt uzdevumu citam modelim, piemēram, GPT‑5.5. Tas ļauj tam turpināt sarunu arī tad, kad fonā tiek apstrādāti vairāki uzdevumi.

Šī arhitektūras izmaiņa arī ļauj GPT‑Live nepārtraukti izmantot jaunākos modeļus un aģentus, apvienojot robežšķirtnes intelektu ar dabisku mijiedarbību.

Mēs izveidojām jaunus cilvēku veiktus novērtējumus, lai mērītu patīkamību un sarunas plūdumu. Šajos tiešajos salīdzinājumos GPT‑Live‑1 un GPT‑Live‑1 mini tiek izteikti dota priekšroka salīdzinājumā ar uzlaboto balss režīmu saskaņotās 5–10 minūšu sarunās, kurās mēra kopējo priekšroku, sarunas kārtu maiņu, pārtraukumus, sarunas plūdumu un to, cik dabiska šķita katra mijiedarbība.

• GPQA: GPT‑Live‑1 būtiski pārspēj uzlaboto balss režīmu GPQA testā, kas pārbauda ekspertu līmeņa zinātnisko spriestspēju bioloģijā, ķīmijā un fizikā.
• BrowseComp: GPT‑Live‑1 uzrāda ievērojamus uzlabojumus salīdzinājumā ar uzlaboto balss režīmu BrowseComp testā, kas pārbauda aģentu tīmekļa meklēšanu un spēju atrast grūti atrodamu informāciju.
• τ³-Voice Telecom**: GPT‑Live‑1 pārspēj uzlaboto balss režīmu τ³-Voice Telecom testā, kas pārbauda balss aģentus reālistiskos, vairāku kārtu telekomunikāciju atbalsta uzdevumos.

Katru nedēļu vairāk nekā 150 miljoni cilvēku sarunājas ar ChatGPT, izmantojot tādas funkcijas kā Voice un Dictation. Viņi to izmanto ikdienas palīdzībai bez roku izmantošanas, valodu praktizēšanai, vakara pasaciņu stāstīšanai vai vienkārši sarunām ceļā uz darbu.

No šodienas, pieskaroties pogai Voice, lai sarunātos ar ChatGPT, jūs iegūsiet uzlabotu pieredzi, ko nodrošina GPT‑Live — ar dabiskākām sarunām, gudrākām atbildēm, labāku klausīšanos un vizuālām atbildēm.

Sarunai ar ChatGPT tagad vajadzētu šķist daudz līdzīgākai īstai sarunai. Varat pārtraukt ar jautājumu, ieturēt pauzi, lai sakārtotu domas, vai lūgt ChatGPT runāt lēnāk. Tas dabiski apliecina, ka uztver teikto, ar frāzēm kā „mhm” vai „sapratu”, lai jūs zinātu, ka tas seko līdzi. Esam arī no jauna apstrādājuši deviņas atšķirīgas ChatGPT balsis GPT‑Live vajadzībām.

ChatGPT Voice tagad var izmantot mūsu jaunākos progresīvos modeļus, sniedzot gudrākas atbildes, kad tās nepieciešamas. Varat arī izvēlēties savām vajadzībām atbilstošu spriestspējas līmeni: Instant ātrām atbildēm vai Medium un High, ja vēlaties, lai ChatGPT veltītu vairāk laika domāšanai.

Ja jums vajadzīgs brīdis pārdomām, ChatGPT Voice tagad gaida, nevis steidzas iejaukties un pārtraukt. Ja palūgsiet to klusēt un ieklausīties, tas tā arī darīs. Ja fonā ir troksnis, piemēram, garāmbraucoša satiksme vai tuvumā notiekošas sarunas, ChatGPT labāk koncentrējas uz jūsu balsi, nevis novērš uzmanību.

Dažas atbildes ir noderīgākas, kad tās var redzēt. Kamēr sarunājaties, ChatGPT tagad var rādīt bagātīgas vizuālās kartītes par tādām tēmām kā laikapstākļi, akcijas, sports un citas. Balss arī turpina atbalstīt meklēšanu, atmiņu, attēlus un failu augšupielādi.

Rezultāts ir ChatGPT Voice pieredze, kas ikdienā šķiet dabiskāka, spējīgāka un noderīgāka.

GPT‑Live ir veidots tā, lai pēc noklusējuma būtu drošs. Tas balstās uz drošības uzlabojumiem mūsu jaunākajos modeļos, vienlaikus pievienojot īpašu drošības apmācību galvenajās riska jomās un jaunus aizsargmehānismus, kas izstrādāti tieši balsij.

Lai labāk atspoguļotu, kā cilvēki izmanto balsi reālās situācijās, sākām ar drošības testēšanas paplašināšanu, iekļaujot jaunus audio vidē balstītus novērtējumus. Mēs izveidojām arī sintētiskus novērtējumus, kuros izmantots ģenerēts audio, lai intensīvāk pievērstos galvenajām drošības jomām, balstoties uz to, ko iemācījāmies no uzlabotā balss režīma. Šīs jomas ietver paškaitējumu, psihozi un māniju, emocionālu paļaušanos uz MI, vardarbību un seksuālu saturu. Iekšējie eksperti arī veica modeļa sarkanās komandas testēšanu attiecībā uz riskiem, kas raksturīgi tikai balsij.

Mūsu testos GPT‑Live gandrīz visās izvērtētajās jomās darbojās līdzvērtīgi uzlabotajam balss režīmam vai labāk par to. Vairāk par mūsu testēšanu un aizsargmehānismiem varat lasīt GPT‑Live sistēmas kartē⁠(atveras jaunā logā).

Tā kā balss sarunas norisinās reāllaikā, esam izveidojuši arī aizsargmehānismus, kas var darboties, kamēr modelis runā. Kad sistēma konstatē potenciāli nedrošu izvadi, tā var virzīt modeli uz drošāku atbildi, parādīt papildu drošības ziņojumus vai resursus, vai arī augstāka riska gadījumos pārtraukt balss sarunu. Sarunām par paškaitējumu mēs pielāgojām ChatGPT atbalsta plūsmas balsij, tostarp piedāvājot ekspertu pārbaudītu krīzes palīdzības līniju atbalstu.

Mēs izstrādājām papildu aizsardzību pusaudžu lietotāju atbalstam un tieši modelī apmācījām vecumam atbilstošu uzvedību, lai mazinātu neatbilstošu atbilžu risku. Vecāki var izvēlēties, vai viņu pusaudzis drīkst izmantot ChatGPT Voice, izmantojot vecāku kontroli, un saistītie vecāki var saņemt paziņojumus augstāka riska situācijās, kurās ir iespējama paškaitējuma vai pašnāvniecisku nolūku pazīmes.

Mēs arī ieviešam ilgāka termiņa mērījumus un pēcpalaišanas uzraudzību, kas vērsta uz emocionālo paļaušanos, lai turpinātu uzlabot izpratni un pilnveidot aizsargmehānismus. Balstoties uz mūsu iepriekšējiem pētījumiem par afektīvu lietojumu un emocionālo labbūtību, tas palīdzēs mums noteikt jaunus modeļus un uzlabot sistēmas reakciju emocionāli jutīgās mijiedarbībās.

Visbeidzot, GPT‑Live ir paredzēts sarunām, nevis balss atdarināšanai. Tas izmanto ChatGPT iepriekš definētu balsu kopu ar aizsargmehānismiem, kas neļauj tam atdarināt reāla cilvēka balsi.

Mēs esam apņēmušies atbalstīt drošību un labbūtību un turpināsim stiprināt šos aizsargmehānismus, mācoties no lietojuma reālajā pasaulē.

GPT‑Live tagad tiek ieviests ChatGPT lietotājiem visā pasaulē iOS, Android un ChatGPT.com⁠(atveras jaunā logā) vidēs. GPT‑Live‑1 kļūs par noklusējuma modeli, kas darbina ChatGPT Voice Go, Plus un Pro lietotājiem, savukārt GPT‑Live‑1 mini kļūs par noklusējumu Free lietotājiem. Plašāku informāciju par pieejamību var atrast mūsu Palīdzības centrā⁠(atveras jaunā logā).

Esam optimizējuši GPT‑Live dažām no populārākajām ChatGPT valodām. Dažās valodās modelim var būt svešvalodai raksturīgs akcents vai raituma trūkumi. Mēs aktīvi strādājam, lai uzlabotu pieredzi dažādās valodās.

Palaišanas brīdī GPT‑Live neatbalstīs balsi ar video vai ekrāna kopīgošanu ChatGPT, taču mēs strādājam, lai drīzumā ieviestu šīs iespējas. Joprojām varat piekļūt ChatGPT Voice mantotajām versijām, tostarp standarta un uzlabotajam balss režīmam, kur šīs funkcijas ir pieejamas.