AI日報： GPT-5.5 變得更貼心了、Gemma 4 加速與語音技術進化

GPT-5.5 變得更貼心了、Gemma 4 加速與語音技術進化

每天都有各式各樣的新鮮事發生。事情是這樣的，今天科技圈又丟出了幾顆震撼彈。從更加聰明的語言模型，到快得驚人的語音生成技術，每個角落似乎都充滿著驚喜。這些新工具會如何影響大眾的日常操作呢？這篇報導為大家整理出今天最值得關注的幾項重點。

GPT-5.5 Instant：那位嚴格又貼心的校閱員來了

你知道嗎？OpenAI 剛剛發布了全新的預設模型 GPT-5.5 Instant。這個版本比起前代，回答更加簡潔有力。過去許多使用者曾抱怨過模型有時會一本正經地胡說八道。這次工程團隊明顯聽進去了。在醫學、法律和金融等高風險領域，幻覺問題減少了高達 52.5%。這就好比給系統請了一位嚴格的校閱員。它變得更貼心了。

現在它會自然記住過去的對話和文件。當然使用者隨時可以刪除這些記憶。針對依賴機器處理繁雜事務的人來說，這種量身打造的感覺的確很不一樣。老實說，能夠省去重複輸入背景資訊的時間，對於工作效率的提升非常顯著。對於那些對準確度要求極高的應用場景，GPT-5.5 的表現確實讓人安心不少。

Gemma 4 與 Gemini：更快的生成速度與懂得看圖的檔案助理

Google 那邊也推出了令人興奮的更新。從事開發工作的人，一定會對Gemma 4 全新的多標記預測技術 (MTP) 感到驚豔。原本的大型語言模型是一次吐出一個字，這過程有點像在擠牙膏。如今有了這項新技術，模型能夠一次「猜測」好幾個後續的字詞。這讓生成速度足足快了三倍，同時維持極高的準確度。等待時間大幅縮短了。

另外，Gemini API 的檔案搜尋工具現在學會了看圖。使用者可以把圖片和文字混合起來餵給它，並透過自訂的元資料來過濾無用資訊。這項工具甚至會標示出答案具體來自哪一頁。這對需要反覆查證事實的應用程式來說超級實用。它就像一個擁有圖像記憶的圖書館員，幫忙把龐大的非結構化資料整理得服服貼貼。

聽起來像真人的聲音：語音技術背後的微小細節

接著來看看語音技術。過去的機器人聲音總讓人覺得生硬，但隨著生成式 AI 的進化，語音互動的延遲與自然度已成為各大廠商競爭的核心。為了讓 AI 的反應更貼近真人，不僅僅是聲音的音質要提升，背後的基礎設施架構更是關鍵。

要維持這樣順暢無延遲的語音對話，背後的工程挑戰極大。不妨看看OpenAI 是如何打造其低延遲語音基礎設施的。他們重新設計了 WebRTC 系統，將轉發器與收發器分開。這巧妙解決了伺服器連接埠不夠用的窘境。藉由全球分散式的中繼站，他們成功讓音訊傳輸變得更加穩定。這項設計保留了標準的連接行為，同時大幅降低了延遲，讓語音互動變得如同日常聊天般自然。

商業端的新鮮事：點擊才付費的自助廣告平台

最後來關注一下數位行銷的消息。ChatGPT 的廣告系統引入了全新的購買機制。除了原先的曝光計費，現在廣告主可以採用每次點擊成本 (CPC) 的競價模式。這代表只有當使用者實際點擊廣告時，企業才需要掏錢。這項改動讓行銷預算的花費變得更加精準。

OpenAI 同時推出了一個全新的自助服務平台，讓各家公司能輕鬆管理預算並追蹤成效。有人或許會擔心對話紀錄被看光。對此官方提出保證，所有的點擊數據都會經過匿名處理，使用者的個人對話絕對會保密。廣告主只會收到彙整過後的成效報告，這在保護隱私的前提下，依舊能幫助品牌精準觸及目標客群。

問與答 (Q&A)

Q1：GPT-5.5 Instant 會記住我的對話，那我的隱私和商業機密會不會被看光？ A： 不用擔心，使用者擁有完全的控制權。雖然 GPT-5.5 Instant 會透過記住過去的對話與文件來提供更個人化的回答，但它同時引入了記憶來源 (Memory sources) 面板。您可以清楚看到系統是依據哪些過去的紀錄來客製化回答，並能隨時刪除或更正過時的記憶。如果您不希望某次對話被記住，也可以使用暫時性聊天 (temporary chats) 功能。

Q2：為什麼 Gemma 4 可以讓生成速度變快 3 倍，卻不會「犧牲品質」？ A： 這是因為 Google 導入了**「多標記預測技術 (MTP)」。傳統的大型語言模型就像擠牙膏，一次只能吐出一個字。而 MTP 採用了推測解碼 (speculative decoding)** 技術，透過一個輕量級的「草稿模型 (drafter)」一次預測多個後續字詞，再交由龐大的主模型（如 Gemma 4 31B）進行平行驗證。因為最終的驗證權仍在主模型手上，所以能在不犧牲任何邏輯推理與準確度 (Zero quality degradation) 的前提下，大幅縮短使用者的等待時間。

Q3：Gemini API 的檔案搜尋現在「學會看圖」了，這在實際上能怎麼應用？ A： 這對於處理非結構化資料的企業非常有幫助。舉例來說，創意代理商過去只能靠關鍵字或檔名找圖片，現在他們的應用程式可以直接搜尋整個圖庫中符合特定「情緒基調」或「視覺風格」的圖片。此外，這個系統現在還會提供具體的頁面層級引用 (page-level citations)，明確告訴你答案來自哪一份 PDF 的哪一頁，這對需要嚴格查證事實的法務或研究應用來說是一大福音。

Q4：現在的語音技術到底是如何做到「聽起來像真人」的？ A： 關鍵在於**「感知對話脈絡」與「極低延遲」**。為了讓對話顯得自然，系統必須能捕捉使用者的語速與情緒。這不僅需要強大的語音生成模型，更需要像 OpenAI 重新設計的 WebRTC 架構來支撐。透過全球分散式中繼站解決伺服器傳輸的延遲問題，音訊傳輸才能變得極度穩定且快速，讓 AI 的回應幾乎能與使用者同步，達到如同日常聊天般自然順暢的互動體驗。

Q5：ChatGPT 廣告系統改用 CPC（每次點擊成本）計費，對品牌廣告主有什麼好處？ A： 過去的曝光計費 (CPM) 只要廣告顯示了就要算錢，而 CPC 模式讓廣告主只需在使用者「實際點擊」廣告時才需付費。因為人們在使用 ChatGPT 時，通常帶有明確的目的（例如正在比較商品或決定下一步該做什麼），這時候的「點擊」代表著極高的意願與相關性。這不僅能讓品牌的行銷預算花得更精準，官方也保證所有成效報告都是經過匿名彙整的資料，絕對不會洩露使用者的個人對話紀錄。