Guia dels models de la família GPT‑6
Consells pràctics per obtenir els millors resultats dels models GPT‑6 i gestionar el temps i el cost
GPT‑6 és el nostre conjunt de models més avançat fins ara i et permet triar entre diversos models per a diferents tipus de feina.
Tant si transformes una idea en un prototip funcional com si desenvolupes i proves una funcionalitat o coordines fluxos de treball de diversos passos entre repositoris de codi, bases de dades i API externes, aquesta guia explica com es pot triar un model GPT‑6, donar-li instruccions eficaces, gestionar tasques de llarga durada i preparar-te per a la producció.
Treballa amb eficàcia en producció. Utilitza l'emmagatzematge en memòria cau(s'obre en una finestra nova) i la condensació de context(s'obre en una finestra nova) per gestionar el context i el cost. Mesura l'èxit de les tasques i la latència i planifica la supervisió i els controls de dades.
Tria el model segons la càrrega de treball. Equilibra capacitat, cost i latència triant el model, l'esforç de raonament(s'obre en una finestra nova) i la velocitat adequats per a la tasca.
Ajusta les indicacions i les habilitats. Mantén la coherència entre les indicacions, les habilitats i les instruccions del repositori pel que fa al que el model ha de lliurar, què pot fer de manera autònoma i en quin moment es considera la feina acabada.
Mantén el rumb en les tasques de llarga durada. Utilitza l'orientació en curs(s'obre en una finestra nova), les eines asíncrones(s'obre en una finestra nova) i la delegació(s'obre en una finestra nova) per gestionar les actualitzacions i les tasques independents. Defineix clarament en quin moment t'ha de consultar el model.
Abans del desplegament, convé establir diverses comprovacions i bones pràctiques.
Tingues present l'eficiència. (s'obre en una finestra nova)Elimina el context innecessari per a la tasca, però conserva les proves que sí que calen. Si l'aplicació ho permet, executa alhora les tasques independents(s'obre en una finestra nova) perquè un pas lent no endarrereixi tasques que no en depenen.
Reutilitza el context compartit mitjançant l' emmagatzematge en memòria cau d'indicacions(s'obre en una finestra nova) per a tasques recurrents. Els segments d'entrada en memòria cau costen fins a un 95 % menys(s'obre en una finestra nova) que els que no hi són, en funció del model. Introdueix les instruccions estables i el material de referència abans dels detalls variables de la tasca, i mantén coherents les definicions de les eines. El tauler de memòria cau(s'obre en una finestra nova) i la guia de diagnòstic(s'obre en una finestra nova) t'ajuden a veure on falla aquesta reutilització. Inclou les escriptures en memòria cau i les tarifes de context llarg en estimar el cost d'un flux de treball complet.
En converses llargues, la condensació de context(s'obre en una finestra nova) en redueix la mida i preserva l'estat necessari per continuar.
Decideix com supervisaràs el comportament(s'obre en una finestra nova) i revisa els controls de dades(s'obre en una finestra nova) de l'aplicació.
Fes proves abans del desplegament: executa tasques representatives i mesura'n l'èxit, la latència i el cost per tasca completada correctament. Consulta la nostra llista de comprovació per al desplegament amb l'API(s'obre en una finestra nova).
Triar el model i el nivell de raonament implica trobar un equilibri entre intel·ligència i preu.
Model:
GPT‑6 Astra(s'obre en una finestra nova) per a les tasques de raonament més difícils, que requereixen la màxima intel·ligència.
GPT‑6.1 Sol(s'obre en una finestra nova) per a tasques complexes de programació, recerca i ús de l'ordinador.
GPT‑6 Luna(s'obre en una finestra nova) per a tasques específiques a gran escala i tasques quotidianes i repetitives amb un objectiu clar, com ara extreure camps de factures, classificar sol·licituds o generar resums estructurats.
Quan avaluïs quin model és millor per a la tasca, compara els preus(s'obre en una finestra nova) de cada model.
Nivell de raonament: a l'API, tria quant d'esforç dedica el model a la tasca.
Baixa: tasques rutinàries, com ara extreure dades o fer petits canvis.
Mitjana: feines que requereixen criteri, com ara planificar una funcionalitat o comparar opcions.
Alta: depuració difícil, anàlisi aprofundida o revisió acurada.
Molt alta / Màxima: prova aquestes opcions quan estiguin disponibles si Alta no és suficient, i mantén-les només si la millora justifica el temps i el cost addicionals.
A l'API, pots canviar l'esforç de raonament a mitja conversa(s'obre en una finestra nova) sense invalidar la memòria cau.
Al Codex, comença amb el nivell de raonament predeterminat del model; després, redueix-lo per a tasques més senzilles o augmenta'l per a anàlisis més aprofundides.
Velocitat:
A l'API, utilitza el mode ràpid(s'obre en una finestra nova) quan el temps de resposta sigui important, com ara en aplicacions de xat o eines de programació. Ofereix temps de resposta més curts i estables, amb un cost per segment superior al del processament estàndard.
Al Codex i a l'API, utilitza el mode Ultrafast(s'obre en una finestra nova) quan la rapidesa de resposta justifiqui el sobrecost, com ara en iteracions ràpides de programació. Accelera la generació de segments independentment de l'esforç de raonament. Disponible per a GPT‑6 Astra(s'obre en una finestra nova).
Eric Provencher, Experiència de Desenvolupadors a OpenAI
Comença amb un encàrrec clar: quin resultat vols, a qui va adreçat, el context i les restriccions pertinents, i quan es considera acabada la feina. Després, revisa aquests quatre punts, resumits de l'article Repensar les habilitats i les indicacions per a GPT‑6 Astra(s'obre en una finestra nova), per aprofundir en l'actualització de les instruccions:
Crea habilitats millors: fes descripcions breus que indiquin clarament quan s'ha d'executar cada habilitat, carrega els detalls de suport només quan calgui i substitueix les receptes rígides per pautes adequades als models que utilitza el teu equip.
Actualitza el fitxer AGENTS.md: explica quan són pertinents determinats documents i proves i autoritza explícitament els fluxos de treball rutinaris segurs, com ara l'execució de proves locals amb dades d'un sol ús i sense accés a producció.
Defineix els límits de decisió: indica quines accions es poden fer de manera autònoma i quines requereixen aprovació, i substitueix les normes genèriques de "pregunta sempre" per límits clars.
Concreta fins on cal perseverar: defineix què vol dir que s'ha "acabat" —implementar el canvi, executar-lo, examinar el resultat i corregir els errors— i identifica les decisions que requereixen revisió per part teva.
Per accedir a més orientacions, consulta les bones pràctiques de raonament(s'obre en una finestra nova).
Tant si treballes al Codex com si desenvolupes amb l'API, especifica quines decisions pot prendre el model, quan t'ha de consultar i com ha de ser una resposta útil.
Proporciona-li al model prou orientacions perquè la feina avanci sense haver de fer suposicions a l'hora de prendre decisions importants. Indica-li què pot decidir i quan t'ha de consultar(s'obre en una finestra nova): per exemple, pot triar com s'ha d'organitzar un resum, però t'ha de consultar abans de canviar l'abast del projecte. Descriu com ha de ser una resposta útil(s'obre en una finestra nova): per exemple, en llenguatge planer, amb un nivell de detall tècnic adequat al públic i amb un breu resum final que expliqui què ha canviat, què s'ha comprovat i què queda pendent.
Amb la família de models GPT‑6, ara pots abordar tasques que duren hores o dies. Utilitza les funcions següents per gestionar millor els agents en tasques de llarga durada.
A l'API, utilitza l'orientació en curs, les eines asíncrones i el treball en paral·lel per fer avançar les tasques de llarga durada.
Actualitza les instruccions durant l'execució: l'orientació a mig torn(s'obre en una finestra nova) et permet enviar una correcció per mitjà de l'API Responses amb WebSocket(s'obre en una finestra nova) mentre el model treballa. Les actualitzacions es posen a la cua; no cancel·len les eines en execució ni desfan les accions completades.
Continua treballant mentre s'executa una eina: les crides asíncrones a eines(s'obre en una finestra nova) permeten que el model continuï treballant en tasques independents mentre l'aplicació executa una tasca més lenta, com ara un conjunt de proves. L'aplicació retorna el resultat quan està a punt. Espera aquest resultat abans de començar una feina que en depengui.
Delega subtasques independents: GPT‑6.1 Sol admet fluxos de treball multiagent a l'API Responses(s'obre en una finestra nova). Pot assignar tasques independents a subagents (com ara investigar diferents parts d'una base de codi) i combinar-ne les conclusions en una resposta final. La funció multiagent està actualment en fase beta.
Les tasques de llarga durada poden plantejar decisions que potser no havies previst a la indicació inicial. Utilitza els aclariments i l'orientació en curs per mantenir la feina ben encaminada.
Respon les preguntes a mesura que avança la feina: amb GPT‑6 Astra, el Codex pot demanar aclariments mentre treballa(s'obre en una finestra nova). Resol els dubtes que afectin el pas següent i especifica quines tasques independents poden continuar mentre decideixes. Si no hi seràs, digues-li al Codex quines tasques poden continuar i quan s'ha d'aturar per esperar la teva resposta.
Reorienta la feina quan canviïn els requisits: proporciona noves orientacions per a la tasca activa(s'obre en una finestra nova) amb informació actualitzada i explica què ha de canviar i què ha de seguir igual. Això evita dedicar més temps a un enfocament que ja no respon a les teves necessitats.
L'ús de l'ordinador(s'obre en una finestra nova) permet que GPT‑6 Astra, GPT‑6.1 Sol i GPT‑6 Luna interaccionin directament amb llocs web i aplicacions d'escriptori, fins i tot les que no disposen d'API. Per exemple, li pots demanar al model que investigui un error, corregeixi el codi i obri el teu producte en un navegador per comprovar que la correcció funciona.
Tria la manera fiable més senzilla de fer cada pas:
Utilitza una API o una eina connectada quan pugui fer la feina directament.
Recorre a l'ús de l'ordinador quan el model hagi de llegir una pantalla, fer clic en botons o emplenar un formulari per tu.
Si estàs integrant l'ús de l'ordinador a la teva aplicació, proporciona-li al model una eina que pugui executar codi per controlar un navegador o un escriptori. Playwright funciona amb navegadors(s'obre en una finestra nova); PyAutoGUI, amb aplicacions d'escriptori.
