GPT-4V

GPT-4V 是 OpenAI 开发的多模态大模型，核心能力在于视觉感知与理解的融合。据源码资本 2024 年底的回顾，它被视为行业从"简单模态叠加"迈向"真正多模态融合"的关键节点之一，与 Anthropic 的 Claude-3V、xAI 的 Grok-1.5V 并列为代表性进展。

从应用层面看，GPT-4V 及其后续迭代（如 GPT-4o）展现的路径被创业者广泛关注。十字路口Crossing 在 2025 年 3 月的梳理中举例：基于用户上传的照片进行年龄预测画像、将 X 光片转化为 3D 可视化模型辅助医患沟通、直接生成学术论文配图或按文字指令完成深度估计与语义分割——这些过去需要专门技术团队的任务，正被压缩为几句话的交互。启明创投与阶跃星辰的对话则将其概括为"理解生成一体化"的标杆：用户给出指令后连续编辑图像，模型必须同时理解文字、图像与迭代意图，这是视觉领域真正泛化的前提。

在 OpenAI 自身的产品序列中，GPT-4V 之后已快速迭代至 GPT-4o、GPT-4.1 等版本，后者在长文本处理（512k 至 1024k token 上下文）和指令跟随上进一步突破。五源资本 2024 年初的讨论曾以 GPT-4 相对 GPT-3 的 100 倍 scaleup 为参照，推演未来模型的扩展空间——GPT-4V 正处于这一 scaling 脉络中的视觉能力跃迁环节。