GPT-4跟GPT-3.5差在哪?免費和付費方式怎麼用?詳解ChatGPT原理
GPT-4跟GPT-3.5差在哪?免費和付費方式怎麼用?詳解ChatGPT原理

OpenAI宣布最新的語言模型 GPT-4,是前代 GPT-3 的升級版。新模型具有多種新功能和使用案例,包括處理文字和圖片、更好地應對語言遊戲、處理更多文本和應對考試等。

GPT-4 的能力有多強?

OpenAI 最新推出的 GPT-4 模型,是一個大型多模態模型,能夠接受圖像和文字輸入,並輸出文字結果。根據OpenAI官方表示,儘管在許多現實情境下,它比人類的能力還差,但在各種專業和學術測試中,它展現出了與人類相當的表現。

例如,它在模擬的律師考試中得分排名前10%,而 GPT-3.5 的得分則排在後10%。OpenAI 花費了6個月的時間,通過其對抗性測試計劃和 ChatGPT 的教訓,來迭代調整 GPT-4,從而取得了迄今最好的成果(雖然仍有很大的提升空間),在事實性、可操控性和拒絕超越限制方面表現最佳。

官方表示,在過去的兩年中,OpenAI 重新構建了整個深度學習堆棧,並與 Azure 共同設計了一個從頭開始為其工作量設計的超級電腦。一年前,OpenAI 訓練了 GPT-3.5 作為系統的第一個「測試運行」。他們發現了一些錯誤並改善了理論基礎。因此,他們的 GPT-4 訓練運行(至少對他們而言)是史無前例的穩定的,成為他們第一個能夠準確預測訓練性能的大型模型。

GPT-4 的6大特色

1. 處理文字和圖片

GPT-4 是多模態模型,可以解析圖像和文本。這意味著 GPT-4 可以分析圖像的內容,並將該信息與書面問題相連接。這樣的功能可以應用於許多方面,例如在一個示範中,GPT-4 觀看了冰箱內部的圖片,然後被問及使用這些食材可以做哪些菜餚,GPT-4 可以根據圖像給出幾個建議。

2. 更好地應對語言遊戲

GPT-4 更擅長於需要創造力或高級推理的任務。在公司的演示中,OpenAI 的聯合創始人 Greg Brockman 要求 GPT-4 只使用以字母 "g" 開始的單詞來總結一節文章,GPT-4 回答了一個幾乎完全正確的句子。GPT-3 則不會遵循提示。

3. 處理更多文字以及類型

GPT-4 可以處理整個科學論文和小說,從而使其能夠回答更複雜的問題並在任何給定的查詢中連接更多的細節。並且能夠記憶更多的上下文資訊。GPT-4可以處理高達32,768個Token的輸入,相當於50頁文字。這讓GPT-4可以處理數小時或數天的內容運算。

4. 應對考試

GPT-4 的表現在各種標準化測試中都很出色,包括 BAR、LSAT、GRE 等。

5.更好的推理能力

GPT-4 比以往任何時候都更具創造性和協作性。它可以生成、編輯並與用戶一起進行創意和技術寫作任務,例如創作歌曲、編寫劇本或學習用戶的寫作風格。甚至還有更好的推理能力。

GPT-4
圖/ T客邦

6.更強的角色扮演

可以根據使用者的需求和偏好,調整其語氣、風格、個性等特徵。GPT-4提供了更多的參數和選項,讓使用者可以控制GPT-4的輸出人設,以適應不同的場景和目的。

GPT-3.5 和 GPT-4的差別

如果是處理非正式的對話,GPT-3.5 和 GPT-4 之間的區別可能微妙。當任務的複雜性達到足夠的閾值時,區別就會顯現出來—— GPT-4 比 GPT-3.5 更可靠、更有創造力,並能夠處理比 GPT-3.5 更細緻的指令。

考試測驗的差異

為了了解這兩個模型之間的差異,OpenAI 在各種基準測試中進行了測試,包括模擬最初設計給人類的考試。他們使用了最近公開的測試(在奧林匹克和 AP 自由回應問題的情況下)或購買了 2022-2023 年的練習考試。他們沒有為這些考試進行特定的培訓,但他們認為這些結果是有代表性的。

GPT-4
圖/ T客邦
GPT-4
GPT-4的考試表現大幅超過GPT-3.5
圖/ T客邦

OpenAI 也在內部使用 GPT-4,對銷售、內容審核和編程等功能產生了巨大的影響。他們還在使用它來幫助人類評估 AI 輸出,在他們的對齊策略的第二階段開始。

延伸閱讀:Midjourney V5實測、教學來了!AI畫作終於長出「正常的手」?

GPT-4對非英語語言的理解

除此之外,OpenAI 還對許多現有的 ML 基準進行了評估。GPT-4 在現有的大型語言模型中表現出色,並且優於大多數最先進的模型,這些模型可能包括基於基準的製作或附加的訓練協議。

此外,他們在英語以外的語言中測試了 GPT-4 的表現,結果在26種語言中,有24種的表現都優於 GPT-3.5 和其他 LLM(Chinchilla、PaLM)的英語表現,包括低資源語言,例如拉脫維亞語、威爾士語和斯瓦希里語。

GPT-4
圖/ T客邦

GPT-4的視覺輸入以及推理

GPT-4 可以接受文字和圖像輸入,此外,它還可以透過為純文字語言模型開發的測試時間技術得到增強。不過目前圖像輸入仍然是預覽階段,並不公開。

以下圖為例,用戶要求GPT-4了解這個Reddit圖片中的笑點在哪裡?

GPT-4
圖/ T客邦

GPT-4分析該圖片中有三個圖片區塊:

  • 區塊 1:帶有 VGA 連接器(一種大的藍色 15 針連接器,通常用於電腦顯示器)的智慧手機已插入其充電端口。
  • 區塊 2:「Lightning Cable」的包裝盒,上面有 VGA 連接器的圖片。
  • 區塊 3:VGA 連接器特寫,末端有一個小Lightning接口(用於為 iPhone 和其他 Apple 設備充電)。

結論:這張圖片中的幽默來自將過時的大型 VGA 連接器插入小型現代智能手機充電端口的荒謬做法。

GPT-4 的免費和付費方式

目前,GPT-4 仍處於測試階段,並沒有提供到ChatGPT上給用戶使用,不過,想要搶先體驗,有幾種方法。

加入ChatGPT+會員

你可以通過 OpenAI 的 API 進行使用,但必須要是ChatGPT+(ChatGPT Plus)的會員,目前的費用是每月20美金,包含了讓用戶使用 GPT-4 的功能。目前,每 4 小時可提問次數為 100 次。

透過 Poe App試用

Poe App 是由國外線上問答網站Quora推出的聊天機器人,其中它的 AI 機器人是由OpenAI 和Anthropic 提供的模型所驅動的,免費版的 Poe 用戶每 4 小時可以向 GPT-4 提問一次。如果付費用戶則一個月可以提問300次。

透過新版Bing聊天機器人免費使用

微軟先前說他們的Bing聊天機器人已經升級到 GPT-4。不過,這是針對美國用戶而言,不確定國人使用的核心是否也升級。

GPT-4
圖/ T客邦

不過,Bing的提問也是有限制的,根據微軟先前的說明,用戶每天最多可向 Bing 提問 120 次,而每個對話中最多可進行 10 次提問。

延伸閱讀:ChatGPT之父首度回擊馬斯克:他是個混蛋!澄清「OpenAI獨立於微軟」

本文授權轉載自:T客邦

責任編輯:傅珮晴、林美欣

關鍵字: #AI #ai人工智慧
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓