OpenAIが機械学習言語モデル「GPT-4」を発表、画像入力にも対応

GPT-4は、画像とテキストの入力を受け入れ、テキストで出力を発行する大規模なマルチモーダルモデルであり、現実世界のシナリオの多くでは人間よりも能力が劣るものの、専門的および学術的なベンチマークにおいて、人間レベルのパフォーマンスを実現している。 カジュアルな会話では、GPT-3.5とGPT-4の差異は微妙なものの、タスクの複雑さがある程度のレベルに達すると、GPT-4はGPT-3.5よりも信頼性が高く、創造的であり、より微妙な指示を処理できる。 テキストだけでなく、画像の入力にも対応しており、視覚または言語タスクの指定が可能となっている。具体的には、テキストと画像が混在する入力を指定して、テキスト出力（自然言語、コードなど）を生成する。テキストと写真、図、スクリーンショットを含む文書など、さまざまな領域において、テキストのみの入力の場合と同様の機能を発揮できる。さらに、テキストのみの言語