GPT-4o

2024-05-13。实时多模态对话。Computer Use 路线的视觉前提：能看 ≠ 已点击。本身不是 Agent。

OpenAI，2024-05-13 Spring Update。GPT-4o：同一模型处理文本、音频、图像；对免费用户开放更强对话。

  1. 材料 — 按当时公告转述：omni、延迟、可用性。
  2. 讲解 — 视觉是 GUI 的输入通道，不是点击策略；4o 仍不是循环。

当时公告：Hello GPT-4o。

GPT-4o（材料）

按 2024-05-13 公告转述：omni 模型、实时视听、免费档。

GPT-4o 讲解

视听进同一只对话模型。像素可以当一等观测；点击策略仍在宿主。模型不是 Agent。