。

    研究员接过手机，举起来扫了一圈。

    “你现在能看到什么？”

    电视里响起了一个略显呆板的女声。

    “我看到一个发布会舞台。沙发上坐着三个人，中间的人是山姆奥特曼。桌上有一杯水，旁边还有一台电视正在显示我的实时画面。台下应该有观众，因为我能听到环境声和偶尔的说话声。”

    现场起了一阵巨大的骚动。

    实时互动，这是从没出现过的交互方式。

    研究员把摄像头对准山姆。

    “他现在的表情怎么样？”

    ChatGPT毫无停顿地说道：“他看起来有点儿紧张，可能在期待什么评价，根据我们现在的场景，也许他在等观众的反应。”

    台下笑了起来，山姆也笑了。

    瑞恩看着屏幕上的直播画面，已经很久没有说话了，他的手指在椅子上一下一下的、有节奏的敲击着。

    发布会现场，山姆等掌声结束后，再次开口。

    “GPT-V Oi可以实时理解文本、语音、图像和视频，它不是把多个系统拼在一起，而是世界上第一个端到端的多模态模型。”

    现场和线上的观众们已经理解了Oi的含义，它是一个源自拉丁语的前缀，代表“全”、“总”的意思。这个模型，是一个全能模型。

    “GPT-V Oi将在未来几周逐步向开发者和企业用户开放。我们也会把它的部分能力集成到ChatGPT里，让更多用户能够体验自然的多模态交互。”

    最后，电视的画面定格在两个模型的名字上。

    GPT-V