OpenAI「GPT-4」リリース 画像からの入力にも対応

　OpenAIは3月14日（現地時間）、「ChatGPT」を支える大規模言語モデル「GPT-3.5」の後継となる「GPT-4」を発表した。

　GPT-4は、過去のモデルよりも問題解決能力が大幅に向上し、扱えるテキストの量も増加。画像からの入力（出力はテキストのみ）にも対応するマルチモーダルモデルに進化している。

　有料版「ChatGPT Plus（月額20ドル）」に登録することですぐにGPT-4を試す（回数制限あり）ことができるほか、APIのウェイティングリストも開設されている。

すべての性能でGPT-3.5を凌駕

　GPT-4は過去のモデルと比べ、より幅広い一般常識と問題解決能力により、難しい問題をより正確に解決することができるという。

各種試験の結果（緑がGPT-4）

　例えば、これまでのGPT-3.5では受験者の下位10％程度の点数しか取れなかった司法試験の模擬試験で上位10％に入るスコアを、また、高校生を主な対象とした生物学の問題を解く能力を競う「国際生物学オリンピック」の問題では上位1％のスコアを記録した。

各種ベンチマークの結果

　また、機械学習モデル用に設計された従来のベンチマークでもほとんどの最先端（SOTA）モデルを大幅に上回っている。

言語別の正確さテスト

　GPT-4は英語以外の性能も向上している。57のテーマにまたがる1万4000の問題を解かせるMMLUベンチマークを使ってテストすると、26言語中24言語（ラトビア語、スワヒリ語などリソースの少ない言語を含む）においてGPT-4はGPT-3.5や他の大規模言語モデル（Chinchilla、PaLM）の英語での性能を上回っている。

画像をプロンプトとして入力することも可能

　GPT-4は、テキストによるプロンプトだけではなく、画像を利用してその画像の説明や分類・分析をすることも可能になっている。

画像によるプロンプト

　たとえば、上記の写真に加えて「この写真のどこがおもしろいか写真ごとに説明して」というテキストを入力すると、1枚ごとの状況を説明した上で「この画像のユーモアは、大きくて時代遅れのVGAコネクタを、小さくてモダンなスマートフォンの充電ポートに差し込むという不条理から生まれています」と解説してくれるのだ。

　ただし、画像入力機能は現在のところ非公開であり、パートナー（恐らくマイクロソフト）と連携し、広く提供できるように準備中とのことだ。

扱える文字数も増加

WikipediaのURLをプロンプトとして使用している

　GPT-4は2万5000語以上のテキストを扱うことができるので、より長文のコンテンツ作成や文書の検索・要約・分析などが可能になった。

　例えば1万語を超えるWikipediaの1項目全文を入力し、それを要約・分析することもできるのだ。

GPT-4はまだ完全ではない

　大幅にパワーアップしたGPT-4だが、従来のGPTモデル同様の限界があることをOpenAIも認めており、完全に信用することのないよう注意を促している。

　OpenAIは、GPT-4をより安全かつ整合性のあるものにするためのフィードバックによるトレーニングに6ヵ月を費やした結果、GPT-3.5と比較し、不適切なコンテンツを表示してしまう確率が82％低く、事実に基づいた回答を出す確率が40％高くなったという。

　とはいえ、まだまだ完全ではない。これまでのモデルと同様、多くの人に使ってもらいながら定期的にアップデートしていく予定だ。