Bisakah saya menjalankan GPT-4o (2024-08-06) secara lokal?

Tidak. OpenAI belum merilis bobotnya, jadi model ini hanya tersedia melalui API dan tidak bisa dihosting sendiri.

Berapa biaya versi ini dan berapa jendela konteksnya?

Biayanya $2,50 per juta token input dan $10,00 per juta token output, dengan jendela konteks 128.000 token.

Apa yang membedakan versi 2024-08-06 dari rilis GPT-4o lainnya?

Penambahan utama adalah keluaran terstruktur yang ditegakkan: Anda bisa memberikan skema JSON di parameter response_format dan model akan mematuhinya, yang versi GPT-4o sebelumnya tidak selalu dukung dengan andal.

GPT 4o (2024 08 06)

1588°

#llm #openai #visi #pemrograman #menulis #obrolan

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

OpenAI | konteks 128.000 token | $2.50/M input, $10.00/M output. Versi 2024-08-06 dari GPT-4o menawarkan peningkatan performa dalam output terstruktur, dengan kemampuan menyediakan skema JSON dalam respone_format. Baca lebih lanjut di siniOpens in new tab. GPT-4o ("o" untuk "omni") adalah model AI terbaru dari OpenAI, mendukung input teks dan gambar dengan output teks. Mempertahankan tingkat kecerdasan GPT-4 Turbo sambil dua kali lebih cepat dan 50% lebih hemat biaya. GPT-4o juga menawarkan peningkatan performa dalam memproses bahasa non-Inggris dan kemampuan visual yang ditingkatkan. Untuk benchmarking melawan model lain, model ini sempat disebut "im-also-a-good-gpt2-chatbot"Opens in new tab

Panduan untuk model ini

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

10 Alternatif ChatGPT Termurah di 2026: model lokal gratis, tingkat gratis, dan paket tarif tetap

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

GPT-4o (2024-08-06) adalah model omni dari OpenAI yang menangani input teks dan gambar dengan jendela konteks 128.000 token. Versi khusus ini menambahkan keluaran terstruktur yang dapat diandalkan melalui skema JSON, membuatnya lebih berguna bagi pengembang yang membutuhkan respons yang dapat diprediksi dan dapat dibaca mesin. Model ini berada di titik harga menengah dan cocok untuk siapa saja yang menginginkan kemampuan umum yang kuat plus visi tanpa membayar harga model kelas depan.

Dikenal untuk

Keluaran JSON terstruktur dengan penegakan skema, berguna untuk pipeline dan aplikasi.
Input visi bersama teks dalam satu model.
Performa kuat di berbagai bahasa non-Inggris.
Setara dengan kecerdasan GPT-4 Turbo dengan biaya lebih rendah dan kecepatan lebih tinggi.

Waspadai

Bobot tertutup saja — Anda tidak bisa menjalankan ini secara lokal atau hosting sendiri.
Biaya keluaran $10 per juta token, yang cepat membengkak pada tugas yang verbose.
Tidak ada konteks lebih dari 128.000 token; tugas konteks panjang butuh model lain.

Terbaik untuk

Prompt untuk dicoba

Ekstrak data terstruktur dari teks

Analisis lowongan pekerjaan berikut dan kembalikan objek JSON dengan bidang: job_title, company, location, salary_range, required_skills (array), dan employment_type. Jika bidang tidak disebutkan, setel ke null. [Tempel lowongan pekerjaan di sini]

Deskripsikan dan analisis gambar

Lampirkan gambar dan tanyakan: Apa yang ditampilkan dalam gambar ini? Daftar teks yang bisa Anda baca, deskripsikan subjek utama, dan catat hal yang tidak biasa atau perlu diperhatikan. Jelaskan secara spesifik, bukan umum.

Buat balasan dukungan multibahasa

Seorang pelanggan menulis: 'Mon abonnement a été débité deux fois ce mois-ci et je n'ai reçu aucune confirmation.' Tulis balasan profesional dalam bahasa Prancis yang mengakui masalah, meminta maaf, dan menjelaskan langkah selanjutnya untuk menyelidiki duplikasi biaya.

Bandingkan dengan

GPT-5
Model hanya API
konteks 400,000 token · $1.25/M input, $10.00/M output
GPT-4o (2024-11-20)
Model hanya API
konteks 128,000 token · $2.50/M input, $10.00/M output
GPT-5 Image Mini
Model hanya API
konteks 400,000 token · $2.50/M input, $2.00/M output
GPT-4o
Model hanya API
konteks 128,000 token · $2.50/M input, $10.00/M output

Model teks lain dari openai

Pertanyaan yang sering diajukan

Bisakah saya menjalankan GPT-4o (2024-08-06) secara lokal?: Tidak. OpenAI belum merilis bobotnya, jadi model ini hanya tersedia melalui API dan tidak bisa dihosting sendiri.
Berapa biaya versi ini dan berapa jendela konteksnya?: Biayanya $2,50 per juta token input dan $10,00 per juta token output, dengan jendela konteks 128.000 token.
Apa yang membedakan versi 2024-08-06 dari rilis GPT-4o lainnya?: Penambahan utama adalah keluaran terstruktur yang ditegakkan: Anda bisa memberikan skema JSON di parameter response_format dan model akan mematuhinya, yang versi GPT-4o sebelumnya tidak selalu dukung dengan andal.

Putusan Kapten
Model serba bisa yang solid dengan perbaikan keluaran terstruktur yang benar-benar dibutuhkan pengembang — hanya perlu waspada dengan biaya token keluaran.

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

Mixtral 8x22B Instruct

TEXT / LLM

Ministral 3 14B 2512

TEXT / LLM

Model AI untuk Pembuatan Gambar, Video & Teks

GPT 4o (2024 08 06) adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm openai visi pemrograman menulis obrolan ekstraksi data

Jelajahi berdasarkan Keluarga Model