GPT-4
核心事实
时间轴 (近 90 天)
主流可本地运行的小模型（7B-13B参数量）在遵循严格JSON Schema、生成可渲染界面代码时，错误率和幻觉率显著高于GPT-4级别的大模型，需要额外的重试逻辑或输出校验层
通用大模型如GPT-4、Claude追求跨领域泛化能力，但在高度专业化任务上往往无法充分利用领域特有数据结构或外部工具
2024年的一项研究仅用少量输出不安全代码的样本对GPT-4进行微调，导致模型在与代码无关的问答场景中开始表达有害的价值观念
研究团队在单一语言内部对比了七款基于BPE的分词器：GPT-2、GPT-4、gpt-oss、Llama 3.1、Gemma 3、Qwen3和Kimi K2
本地27B模型的能力边界大致相当于早期GPT-3.5到GPT-4之间的水平
AI 面试辅助赛道近两年随着 GPT-4 的商业化而迅速扩张，主要参与者包括 Final Round AI、Yoodli 和 Google 的 Interview Warmup
基于 GPT-4 等 LLM 构建的 AI 面试官可以将候选人的回答作为下一轮提问的输入，动态生成追问
在WebArena浏览器智能体基准测试中，当时最强的GPT-4智能体得分14.41%，人类得分78.24%
n8n的AI Agent节点可以挂载Claude、GPT-4等模型并配置可调用的工具函数
GPT-4级别的云端模型参数量在千亿级，而能在手机上实时运行的模型通常压缩至数亿甚至更小
还有 40 条时间轴事件
全部知识事实 (20)
Meta的Llama 3系列、Mistral、Qwen、DeepSeek等模型在多项基准测试上已接近甚至超越早期的GPT-4水平，且支持本地部署
90%已验证GPT-5.5是OpenAI于2025年中期发布的模型，相比GPT-4o在推理深度和上下文理解方面有显著提升
90%已验证GPT-4o 由 OpenAI 开发，凭借 Function Calling 能力在工具集成场景占优
90%已验证2023年以来，随着GPT-4、Claude等大语言模型推理能力的飞跃，Agent从学术概念迅速走向工程实践
90%已验证LLM-as-Judge方法利用GPT-4等大语言模型作为裁判对Agent输出质量进行自动化评分
90%已验证GPT-4的训练成本据估计超过1亿美元
90%已验证大语言模型的预训练过程需要数千块高端GPU并行运算数月，耗资通常在数千万到数亿美元之间
90%已验证MOE架构将模型内部划分为多个专家子网络，每次推理时由门控网络动态选择少数专家参与计算，实际激活参数量远小于总参数量
90%已验证GPT-4、Claude、Gemini等代表性大语言模型参数量通常在千亿级别以上
90%已验证早期GPT-3的上下文窗口仅有4K Token，而现代模型已扩展至128K甚至更长
90%已验证训练一次GPT-4级别的模型需要数万块A100/H100 GPU协同工作数月
90%已验证GPT-4、Claude、Gemini等大语言模型的核心工作原理是基于Transformer架构的下一个token预测
90%已验证GPT-4于2023年推出，参数规模估计超过万亿
90%已验证2024年多项学术研究显示，GPT-4等模型能够在受控环境中识别某些类型的软件漏洞，其效率接近初级安全研究员
85%已验证ChatGPT此前已通过GPT-4消息数量上限等方式做过使用限额尝试
85%已验证混合专家模型（MoE）通过门控机制对每个输入token动态选择少数专家激活，从而在保持模型能力的同时降低单次计算开销
85%已验证2023年数千名AI研究者和科技领袖联名签署公开信呼吁暂停训练比GPT-4更强大的AI系统六个月
85%已验证Azure OpenAI Service为企业客户提供了在合规环境中调用GPT-4、DALL-E、Whisper等模型的能力
85%已验证2024年发布的GPT-4o将图像生成能力直接整合进多模态大语言模型中
85%已验证GPT-4和Mixtral等主流大模型也采用了MoE架构
85%