在經過上周的高層人事出走及超大型募集資金等爭議新聞後，OpenAI本周舉行開發者大會DevDay，宣布包含GPT-4o圖片微調、開發逼真對話功能的Realtime API等新功能，供開發人員開發結合GPT-4o、4o mini模型的AI應用。
DevDay上OpenAI宣布的新功能包括Realtime API、視覺微調、提示緩存（Prompt Caching in the API）以及模型蒸餾。其中Realtime API為beta版，讓開發商得以將接近ChatGPT高端語音模式（Advanced Voice Mode）的對話能力集成在自己的AI助理。
Realtime API讓開發人員得以打造低延遲、多模態的口語對話體驗。目前支持文本、語音的輸出、輸入，也支持函數調用。Realtime API提供原生語音輸入、語音輸出的生成，無需文本轉換，意味輸出延遲更低。此外，其模型具有自然可操控的人聲表現，能提供自然語調製化，能表達和語氣一致化的笑、低聲說話等聲音表情。
昨日OpenAI宣布正式推出視覺微調功能。OpenAI在8月份推出GPT-4o微調服務時，只支持上傳文本數據集微調，現在加入圖片支持。這表示開發人員可以上傳圖片數據集，以強化GPT-4o的圖像理解功能，用於開發具有高端視覺搜索應用、自動駕駛汽車或智慧城市的對象偵測應用，或是醫療形象分析。
OpenAI表示，微調GPT-4o的圖像數據集不需太多，最少只需上傳100張圖像。在公開前，OpenAI已經和一些夥伴合作測試，包括東南亞最大餐食外賣及汽車共享平台Grab、企業流程AI代理開發商Automat和網頁AI開發助理開發商Coframe等。
視覺微調服務基礎模型為gpt-4o-2024-08-06，在10月31日前提供每日100萬訓練字詞（token）免費。之後收費為每100萬字詞輸入25美元。若想使用推論服務，則費用為100萬字詞輸入3.75美元，100萬字詞輸出15美元。圖片輸入會依圖片大小字詞化（tokenized）以用於計價。
第三項則是API提示緩存服務。許多開發人員在不同API調用會重複使用同一種操作，像是編輯codebase或設置聊天機器人多來回對話。使用提示緩存可讓開發人員重複使用輸入字詞，可減少50%開發成本及加速提示處理時間，降低延遲性。
這項服務是將已運算過的提示的最長前綴字符（prefix）緩存在API中，這功能會對1024字詞以上的提示提供緩存。只要重複使用到有共同前綴字符的，就會自動適用折扣，用戶不需設置。緩存的字符一般會在停用5到10分鐘內清除，1小時內就會完全刪除。
提示緩存服務已經上線，提示緩存會自動適用在最新版GPT-4o、GPT-4o mini、OpenAI o1-mini或是這些模型的微調版本。經過緩存的提示，價格比未緩存的提示來得低。例如以新的gpt-4o-2024-08-06模型為例，未緩存與緩存的費用各為2.50和1.25美元，而經過微調的模型則各為3.75和1.875美元。
數據源／OpenAI
最後是模型蒸餾（model distillation）和評估。模型蒸餾允許開發人員使用大型模型微調成較小模型的成果，使模型適用於單一任務，有助於降低延遲性及降低成本。使用這項功能的步驟是，先以completions API存儲（用store參數）大模型的高品質成果，再評估大小模型創建基準線，之後選擇欲蒸餾的部分，用以微調小型模型。最後，再比較大模型及微調後的小模型效果。
