OpenAI 发布 GPT-4：支持图文输入，模拟法考考进前 10%

几个月前，大家还在为 ChatGPT 随口编造参考文献而挠头，现在 OpenAI 拿出的新家伙，直接去把人类的职业考试给考了一遍。

OpenAI 正式发布多模态大模型 GPT-4。它不仅能看懂文字，还能看懂图片输入，并且在一系列专业和学术基准测试中拿下了让人瞠目结舌的成绩。

最抓眼球的差距在于考试。在模拟美国统一律师资格考试里，旧版 GPT-3.5 的分数排在倒数 10% 左右，而 GPT-4 直接冲进了前 10%。在没有针对性刷题的情况下，GPT-4 在 AP 考试、奥赛题目以及绝大部分学术基准上，把前辈们远远甩在了身后。

能看图，但真正的大招在底层

很多人最期待的是多模态。GPT-4 支持图文混排输入并输出文本，你可以给它一张图表、一张草图甚至一张带文字的截图，让它分析或者写代码。不过 OpenAI 明确表示，图片输入目前还是研究预览阶段，只对一家合作伙伴开放，普通人暂时还摸不到。

文字输入能力已经直接上线 ChatGPT Plus，API 也开启了候补名单。

除了看图，GPT-4 在语言广度上也拉开了一个身位。OpenAI 把包含 57 个学科的 MMLU 基准测试翻译成多国语言，在测试的 26 种语言中，GPT-4 在 24 种语言上的得分，甚至超过了 GPT-3.5 在纯英语环境下的表现。即便是拉脱维亚语、威尔士语或斯瓦希里语这类低资源语言，它的成绩也相当扎实。

OpenAI 透露，这次底层训练跑得异常平稳。他们和微软 Azure 从底层重新搭建了超算架构，一年前拿 GPT-3.5 当试验田踩坑后，GPT-4 成了第一个可以在开跑前就精准预测最终性能的大模型。他们还顺手开源了评估框架 OpenAI Evals，邀请外界一起给模型找茬。

开发者的自由度也变大了。这次 OpenAI 正式在 API 中强化了系统消息功能。你不再只能忍受默认那种一本正经且啰嗦的 ChatGPT 语气，而是能通过设定系统人设，牢牢控制它的说话风格和行事边界。

关了 6 个月禁闭，依然有致命硬伤

为了不让 GPT-4 变成脱缰野马，OpenAI 在训练完成后整整花了 6 个月时间做安全对齐。他们找了 50 多位涵盖网络安全、生物风险、国际安全的外部专家做对抗性红队测试，并在强化学习中引入了专门的分类器进行安全奖励。

官方数据显示，相比 GPT-3.5，GPT-4 响应违规内容请求的概率降低了 82%，在事实性内部测试中的得分也高出了 40%。

即便如此，它依然无法摆脱幻觉。OpenAI 坦白交代，GPT-4 依然会一本正经地胡说八道，且知识库只停留在 2021 年 9 月。

更有意思的是，基础预训练模型其实很清楚自己什么时候在猜，但经过人类反馈强化学习（RLHF）调教后，模型的校准度反而下降了。换句话说，GPT-4 很容易自信地犯错，甚至写出看似完美但暗藏漏洞的代码，或者轻信用户的错误假设。

为什么重要

我们认为，GPT-4 的发布把整个大模型竞赛从能聊天的玩具阶段，彻底拉进了生产力工具的深水区。

对普通用户和开发者来说，如果日常只是拿 AI 润色邮件或查常识，GPT-3.5 也许够用。但在需要复杂逻辑、长推理、跨学科综合思考的场景下，GPT-4 表现出的理解力完全是另一个维度的存在，现在花每月 20 美元去试绝对物超所值。开发者拿到了系统消息这种精细调控工具，做垂直智能体和落地应用的空间瞬间被打开了。

对整个行业而言，压力全落在了 Google、Anthropic 等对手身上。GPT-4 不仅刷爆了学术榜单，更重要的是它证明了按比例缩放定律的可预测性，大算力堆砌不仅行得通，而且工程风险正在大幅降低。

OpenAI 这一步走得极其精明。他们没有急着向所有人开放图片能力，而是把半年的时间花在安全对齐和专家红队测试上，把合规门槛筑得极高，既堵住了监管的嘴，又卡住了竞争对手的生态位。但隐患同样明显，幻觉问题并没有从底层根除，过度自信的胡说八道在医疗、金融和高风险开发场景里，依然是一颗随时可能引爆的地雷。