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。
当时公告：Hello GPT-4o。
1 - GPT-4o（材料）
按 2024-05-13 公告转述：omni 模型、实时视听、免费档。
本页转述 2024-05-13 公告当时公开说了什么，不以后来的 4o mini、o1 或 Operator 回填。
主要出处：OpenAI，2024-05-13，Hello GPT-4o。本页不复制公告全文。
产品主张
GPT-4o 的 o 写成 omni：一个模型跨文本、视觉、音频推理，语音到语音的响应可到约 232–320 毫秒 量级，接近人的对话节奏。能力上公告称文本与代码匹配当时的 GPT-4 Turbo，多语言、视听更好。ChatGPT 免费用户得到 GPT-4 级对话；Plus 用户限额更高。API 先放文本与视觉，音频稍后。
演示强调实时语音、看屏幕/图像、打断与语气。定价相对 GPT-4 Turbo 下调。公告同时提到安全评估与分阶段放出音频。
当时不是什么
这是对话模型与产品入口。实时看图、听声，不等于已经在操作系统里点鼠标。电脑操作、浏览器 Agent 是后续产品。4o 可以把截图当输入，循环与动作空间仍要宿主自己接。
2 - 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。
当时解决了什么问题
GPT-4 的视觉是后加、偏慢的管道。电脑操作如果每一步都「截屏 → 另一个视觉模型 → 文本描述 → 再决策」，延迟和信息损失都大。4o 把看和说收进同一只低延迟核心，让「对着屏幕说话」变成消费级体验。对 Agent，这意味着截屏可以当一等观测，而不只是辅助插件。
它没有规定鼠标 API，也没有 OSWorld 分数。感官到位，执行器还没有。能看 ≠ 已点击：视觉是 GUI 的输入前提，不是点击策略。
对后续 LLM 与 Agent 的影响
没有「能看」，Computer Use / Operator 只能调网页 API。有了 4o（以及同时期 Claude 的视觉），看屏幕才成为产品路线。实时语音是另一条消费叙事，对任务型 Agent 的影响小于视觉。循环、浏览器、点击，是 2024 年 10 月和 2025 年 1 月才做成公测产品的。
按 AI Agent 定义，GPT-4o 本身不是 Agent。它是更强、更全能的决策核心。像素进上下文，不等于已经在 OS 进程里产生副作用。