OpenAI hôm nay công bố phiên bản mới nhất của ChatGPT mang tên ChatGPT Vision Pro, một mô hình đa phương tiện có khả năng phân tích hình ảnh, video và âm thanh đồng thời với văn bản. Khả năng này được thực hiện nhờ việc kết hợp mô hình ngôn ngữ lớn GPT‑4.5 với mô-đun thị giác sâu được huấn luyện trên bộ dữ liệu CLIP‑X.
ChatGPT Vision Pro cho phép người dùng tải lên hình ảnh hoặc video và nhận được mô tả chi tiết, phân tích nội dung, cũng như trả lời các câu hỏi liên quan. Ứng dụng này đặc biệt hữu ích cho các chuyên gia y tế trong việc phân tích hình ảnh y khoa, cho các nhà thiết kế trong việc tạo bản phác thảo nhanh, và cho giáo dục với khả năng giải thích các biểu đồ và hình ảnh học thuật.
OpenAI cũng công bố tính năng “Live Vision” cho phép mô hình xử lý luồng video trực tiếp từ webcam, cung cấp phản hồi trong thời gian thực. Điều này mở ra tiềm năng cho các cuộc họp trực tuyến thông minh, nơi AI có thể tóm tắt nội dung, nhận diện biểu cảm và đề xuất hành động.
Với mức giá dự kiến là 30 USD/tháng cho gói cá nhân và 300 USD/tháng cho doanh nghiệp, OpenAI hy vọng ChatGPT Vision Pro sẽ nhanh chóng trở thành công cụ tiêu chuẩn cho các ứng dụng AI đa phương tiện.