来自现场OpenAI把实时交互卷到了新高度
参加了 OpenAI 的今日发布
OpenAI Dev Day
在新加坡，大概 200 人
好些熟面孔
在第一排，带来更好、更新的内容
发布之前
先是在今天凌晨，4o 模型来了一波小的更新，版本号 gpt-4o-2024-11-20。主要对写作进行了加强，让其产出的内容更自然、易读（减少所谓 G 味）。在大模型竞技场 LMSYS 中，甚至击败了 o1，成了榜一大哥。
很显然，这是不错的成绩
对此，我跟 OAI 训练模型的老哥聊了下，并表示祝贺（毕竟 4o 比 o1 还猛，有点东西）
老哥跟我说：其实这并不意味着太多，毕竟 LMSYS 的评分还是有局限的
会前闲聊时，OAI 的朋友还夸了下 DeepSeek：
DeepSeek is really solid（原话）
前情提要：《 DeepSeek 推理模型预览版上线，解密 o1 推理过程》
以及...
- “我们不聊 Future Product“
- “那聊聊 Sora 吧”
本次发布
这次发布会，OAI 先整了些花活，比如用 o1 做了个无人机控制程序，然后现场遥控无人机。
对于 o1，之后将支持以下内容：
Function Calling / 函数调用
Developer Message / 开发者消息
Structured Outtputs / 结构化输出
Image Understanding / 图片理解
额外的，在研究了下 api 细节后，我发现接下来 语音理解 应该也会上。
之后是关于 Realtime API 的演示，并带来了更强大的实时语音交互，甚至支持多种语言的混合输入，以及混合输出（没录上，哭了，比 whisper 效果好很多很多），然后情绪、语气非常到位的进行混合输出。现场效果很炸裂。
主讲人用多种语言讲述的，并让 AI 用多种语言回应
以及，Realtime 的语音 API 也迎来了 Cache 调价，输出部分打了 2 折。简单算了下，对于大量相近内容的客服场景，调用成本大概是 50 人民币/小时，和人工队相比，开始有了竞争力（毕竟 AI 很容易规模化）。
输入的 cache 价格，从 $100 降到了 $20
另一个演示，是让 AI 来点单（还是很逼真的）：在过程中，AI 进行了全自动点餐，包括确认需求，以及... 调整价格。
还有个有趣的，演讲者让 Realtime API based demo 从 0 开始输出，慢慢的：
于是 One...Two...Three...F- [打断]
问：现在你数到几了？
回答：Four
对于 Function Call，Realtime API 也获得了更新。这使得之后的实时语音，不局限于对话了，而是可以进行如操作电脑、联网、查找资料等功能。在发布会现场，演示人展示了如何「言出法随」操作天体。
做成声控的动态幻灯片，效果很惊艳
业务实践
主场发布之后，OpenAI 的朋友还做了 3 个主题分享，涵盖三个关键方向：
通过结构化输出来提升模型响应的准确性和可靠性
利用模型蒸馏技术来平衡性能与成本
以及运用实时 API 来实现更自然的人机交互体验。
📒
Structured Outputs/ 结构化输出
包括原理和实践，如何通过严格遵循 JSON 格式规范，提升输出结果的可靠性和一致性，让数据更易于处理和集成。
结构化输出介绍过： 看完这篇，你也能做 AI 搜索：论「结构化输出」
这次提到了一个有趣的点：OpenAI 的接口，首次进行结构化输出的时候，会稍慢一点，之后会快，其原因是... 进行了 cache。
从实现的角度，这里并非「prefill + tag + 正则」（Claude CookBook 做法），而是另辟蹊径，也解决了持续输出"nnn..." 问题
相关阅读：
https://platform.openai.com/docs/guides/structured-outputs
🏺
Distillation/ 蒸馏
包括原理和实践，如何将大型模型的智能特性迁移到更小巧的模型中，在保持核心功能的同时，显著降低运营成本，提升系统扩展性。
这里的核心，是使用更强的模型，比如 4o 特定任务，预先输出批量的答案，大几百～几千条，再这些问答对来训练 4o-mini 之类的小模型。如此做完，可以保证在特定任务下，用很低的成本，达到不错的效果。
为此，OpenAI 还提供了完整的工具链。
另外要知道，蒸馏并不适合「需要精准输出的通用任务」。相关阅读：
https://platform.openai.com/docs/guides/distillation
😃
Realtime API/ 实时 API
包括原理和实践，如何集成 Realtime API 的语音和文本处理能力，打造流畅自然的语音交互体验，让应用更智能、更人性化。
额外讲了如何用 Realtime API 配合 Funciton Calling 来使用。这里 Function Calling 的 Schema 和 4o 的格式一致，无缝迁移就行了。
相关阅读：
https://platform.openai.com/docs/guides/realtime
同行交流
除了 OpenAI 的人外，还有几个开发者，也登台分享他们的经验。
Supabase 团队 ：如何使用他们的产品，通过 AI 能力，无痛搭建数据库。
Grab 团队 ：如何通过 AI 视觉，解决地图定位问题的精准度问题。
SWYX ：深入剖析 AI Agent 的工程化实践，探索如何构建可靠、高效的智能代理系统。
SWYX 老哥的 PPT 是公开的
可以在他的个人网站上找到
https://www.swyx.io/
当然
回复 「SWYX」，也可获得
不出意外
写到这行时，发布会结束
按日程，大家一起去酒吧下半场
搞 AI 的都是酒懵子，这很合理
正如橘子所说，AI 和精酿有两个共通点：
都有幻觉
都是泡沫
我的域名，还有升值空间
www.agi.bar
共有 0 条评论