Sdílet prostřednictvím

GPT-4 Turbo s koncepty zpracování obrazu

  • Článek

GPT-4 Turbo s vision je velký multimodální model (LMM) vyvinutý openAI, který dokáže analyzovat obrázky a poskytovat textové odpovědi na otázky o nich. Zahrnuje zpracování přirozeného jazyka i vizuální porozumění. Tato příručka obsahuje podrobnosti o možnostech a omezeních GPT-4 Turbo s vision.

Pokud si chcete vyzkoušet GPT-4 Turbo s vision, podívejte se na rychlý start.

Chaty se zrakem

GpT-4 Turbo s modelem Zpracování obrazu odpovídá na obecné otázky týkající se toho, co je přítomné na obrázcích nebo videích, které nahráváte.

Speciální informace o cenách

Důležité

Podrobnosti o cenách se můžou v budoucnu změnit.

GPT-4 Turbo s vision nabíhá poplatky, jako jsou jiné chatovací modely Azure OpenAI. Za výzvy a dokončení platíte sazbu za token, která je podrobně popsána na stránce Ceny. Základní poplatky a další funkce jsou popsané tady:

Základní ceny GPT-4 Turbo s vision jsou:

  • Vstup: $0,01 za 1 000 tokenů
  • Výstup: 0,03 USD za 1 000 tokenů

Informace o překladu textu a obrázků na tokeny najdete v části Tokens v přehledu.

Příklad výpočtu ceny obrázku

Důležité

Následující obsah je příkladem pouze a ceny se můžou v budoucnu změnit.

V případě typického případu použití pořídit obrázek s viditelnými objekty i textem a vstupem výzvy 100 tokenů. Když služba zpracuje výzvu, vygeneruje 100 tokenů výstupu. Na obrázku je možné rozpoznat text i objekty. Cena této transakce by byla:

Položka Podrobnosti Náklady
Zadání textové výzvy 100 textových tokenů $0,001
Příklad vstupu obrázku (viz tokeny image) 170 + 85 tokenů obrázků $0,00255
Vylepšené funkce doplňků pro OCR 1,50 USD / 1000 transakcí $0,0015
Vylepšené funkce doplňku pro uzemnění objektů 1,50 USD / 1000 transakcí $0,0015
Výstupní tokeny 100 tokenů (předpokládá se) $0,003
Celkem $0,00955

Příklad výpočtu ceny videa

Důležité

Následující obsah je příkladem pouze a ceny se můžou v budoucnu změnit.

V případě typického případu použití si 3minutové video se vstupem výzvy 100 tokenů. Video obsahuje přepis, který má délku 100 tokenů a když služba zpracuje výzvu, vygeneruje 100 tokenů výstupu. Ceny za tuto transakci:

Položka Podrobnosti Náklady
GPT-4 Turbo se vstupními tokeny vision 100 textových tokenů $0,001
Další náklady pro identifikaci rámců 100 vstupních tokenů + 700 tokenů + 1 Transakce načítání videa 0,00825 Kč
Vstupy obrázků a vstup přepisu 20 obrázků (každý token 85) + 100 tokenů přepisu $0,018
Výstupní tokeny 100 tokenů (předpokládá se) $0,003
Celkem $0,03025

Kromě toho stojí jednorázové indexování 0,15 USD pro vygenerování indexu načítání videa pro toto 3minutové video. Tento index je možné znovu použít pro libovolný počet načítání videa a GPT-4 Turbo s voláními rozhraní API pro zpracování obrazu.

Omezení vstupu

Tato část popisuje omezení GPT-4 Turbo s vision.

Podpora obrázků

  • Maximální velikost vstupního obrázku: Maximální velikost vstupních obrázků je omezena na 20 MB.
  • Nízká přesnost rozlišení: Při analýze obrázků pomocí nastavení nízkého rozlišení umožňuje rychlejší odezvy a pro určité případy použití používá méně vstupních tokenů. To ale může mít vliv na přesnost rozpoznávání objektu a textu v rámci obrázku.
  • Omezení chatu s obrázky: Když nahráváte obrázky v Azure OpenAI Studiu nebo rozhraní API, platí limit 10 obrázků na hovor chatu.

Podpora videa

  • Nízké rozlišení: Snímky videa se analyzují pomocí GPT-4 Turbo s nastavením "nízkého rozlišení" obrazu, což může mít vliv na přesnost malých objektů a rozpoznávání textu ve videu.
  • Omezení videosouborů: Podporují se typy souborů MP4 i MOV. V Azure OpenAI Studiu musí být videa kratší než 3 minuty. Pokud používáte rozhraní API, neexistuje žádné takové omezení.
  • Omezení výzvy: Výzvy k videu obsahují jenom jedno video a žádné obrázky. V Nástroji Azure OpenAI Studio můžete relaci vymazat a vyzkoušet jiné video nebo obrázky.
  • Omezený výběr snímku: Služba vybere 20 snímků z celého videa, které nemusí zachytit všechny kritické momenty nebo podrobnosti. Výběr snímku se dá přibližně rovnoměrně rozprostřet po videu nebo se zaměřit podle konkrétního dotazu na načtení videa v závislosti na výzvě.
  • Podpora jazyka: Služba primárně podporuje angličtinu pro zemnění s přepisy. Přepisy neposkytují přesné informace o textech v skladbách.

Další kroky

  • Začněte používat GPT-4 Turbo s vision pomocí rychlého startu.
  • Podrobnější informace o rozhraních API a použití videoobsadových výzev v chatu najdete v průvodci postupy.
  • Zobrazení referenčních informací k rozhraní API pro dokončování a vkládání