En modelguide til GPT‑6‑familien
Praktiske tips til at få de bedste resultater med GPT‑6-modeller og samtidig styre tid og omkostninger
GPT‑6 er vores hidtil mest avancerede samling af modeller og giver dig mulighed for at vælge modeller til forskellige typer arbejde.
Uanset om du omsætter en idé til en fungerende prototype, udvikler og tester en funktion eller koordinerer arbejdsgange med flere trin på tværs af kodelagre, databaser og eksterne API'er, forklarer denne guide, hvordan du vælger en GPT‑6‑model, giver den effektive instruktioner, styrer længerevarende arbejde og forbereder det til produktion.
Sørg for effektiv drift i produktion. Brug caching(åbner i et nyt vindue) og komprimering(åbner i et nyt vindue) til at styre kontekst og omkostninger. Mål opgavernes succesrate og svartiden, og planlæg overvågning og datakontrol.
Vælg en model, der passer til dine opgaver. Afvej kapacitet, omkostninger og svartid ved at vælge den model, ræsonneringsindsats(åbner i et nyt vindue) og hastighed, der passer til opgaven.
Tilpas dine prompts og færdigheder. Sørg for, at prompts, færdigheder og instruktioner i lageret stemmer overens om, hvad modellen skal levere, hvad den må gøre selvstændigt, og hvornår arbejdet er færdigt.
Hold længerevarende arbejde på rette spor. Brug løbende styring(åbner i et nyt vindue), asynkrone værktøjer(åbner i et nyt vindue) og delegering(åbner i et nyt vindue) til at håndtere opdateringer og uafhængige opgaver. Sæt klare grænser for, hvornår modellen skal bede om input.
Før du sætter løsningen i drift, bør du indføre en række kontroller og anbefalede fremgangsmåder.
Hav effektiviteten for øje. (åbner i et nyt vindue)Fjern kontekst, som opgaven ikke kræver(åbner i et nyt vindue), men behold den dokumentation, der er nødvendig. Hvis din applikation understøtter det, kan du køre uafhængige opgaver samtidig(åbner i et nyt vindue), så ét langsomt trin ikke forsinker andet arbejde.
Genbrug fælles kontekst via prompt caching(åbner i et nyt vindue) ved tilbagevendende arbejde. Cachelagrede inputtokens koster op til 95 % mindre(åbner i et nyt vindue) end inputtokens, der ikke er cachelagret, afhængigt af modellen. Placer faste instruktioner og referencemateriale før varierende opgavedetaljer, og hold værktøjsdefinitionerne ensartede. Dashboardet til caching(åbner i et nyt vindue) og diagnosticeringsguiden(åbner i et nyt vindue) hjælper dig med at se, hvor genbruget svigter. Medregn skrivninger til cachen og eventuelle takster for lang kontekst, når du anslår prisen for en komplet arbejdsgang.
Ved længere samtaler reducerer komprimering(åbner i et nyt vindue) kontekstens størrelse, samtidig med at den tilstand, der er nødvendig for at fortsætte, bevares.
Beslut, hvordan du vil overvåge adfærden(åbner i et nyt vindue), og gennemgå din applikations indstillinger for datakontrol(åbner i et nyt vindue).
Test før idriftsættelse: Kør repræsentative opgaver, og mål succesrate, svartid og omkostninger pr. vellykket opgave. Se vores tjekliste til idriftsættelse med API'et(åbner i et nyt vindue).
Se valget af model og ræsonneringsniveau som en afvejning mellem intelligens og pris.
Model:
GPT‑6 Astra(åbner i et nyt vindue) til de sværeste ræsonneringsopgaver, der kræver maksimal intelligens.
GPT‑6.1 Sol(åbner i et nyt vindue) til kompleks kodning, research og computerbetjening.
GPT‑6 Luna(åbner i et nyt vindue) til afgrænsede opgaver i stor skala og dagligt, gentaget arbejde med et klart mål, såsom at udtrække fakturafelter, klassificere henvendelser eller lave strukturerede resuméer.
Når du vurderer, hvilken model der er bedst til opgaven, bør du sammenligne priserne(åbner i et nyt vindue) for de enkelte modeller.
Ræsonneringsniveau: I API'et vælger du, hvor stor en indsats modellen skal bruge på opgaven.
Lav: Rutineopgaver som at udtrække fakta eller lave små ændringer.
Mellem: Arbejde, der kræver dømmekraft, såsom at planlægge en funktion eller sammenligne muligheder.
Høj: Vanskelig fejlfinding, dybere analyse eller grundig gennemgang.
Ekstra høj / Max: Afprøv disse niveauer, hvor de understøttes, når Høj ikke rækker. Behold dem kun, hvis forbedringen opvejer den ekstra tid og pris.
I API'et kan du ændre ræsonneringsindsatsen undervejs i samtalen(åbner i et nyt vindue), uden at cachen bliver ugyldig.
I Codex kan du starte med modellens standardniveau for ræsonnering og derefter sænke det til enklere opgaver eller hæve det til dybere analyse.
Hastighed:
I API'et kan du bruge Hurtig tilstand(åbner i et nyt vindue), når svartiden er vigtig, for eksempel i chatapps eller kodeværktøjer. Det giver hurtigere og mere ensartede svartider til en højere pris pr. token end standardbehandling.
I Codex og API'et kan du bruge Ultrahurtig(åbner i et nyt vindue), når hurtigere svar er merprisen værd, for eksempel ved hurtige iterationer i kodningsarbejdet. Det øger hastigheden for tokengenerering uafhængigt af ræsonneringsindsatsen. Tilgængelig for GPT‑6 Astra(åbner i et nyt vindue).
Start med en klar opgavebeskrivelse: det ønskede resultat, målgruppen, den relevante kontekst og begrænsningerne, samt hvornår arbejdet er færdigt. Gennemgå derefter disse fire områder, som er opsummeret fra Nytænkning af færdigheder og prompts til GPT‑6 Astra(åbner i et nyt vindue), for at gå mere i dybden med at opdatere dine instruktioner:
Skab bedre færdigheder: Hold beskrivelserne korte, og angiv tydeligt, hvornår hver færdighed skal bruges. Indlæs kun supplerende detaljer efter behov, og erstat rigide opskrifter med vejledning, der passer til de modeller, dit team bruger.
Opdater din AGENTS.md: Forklar, hvornår bestemte dokumenter og tests er relevante, og giv udtrykkelig tilladelse til sikre rutinearbejdsgange, såsom at køre lokale tests med midlertidige data og uden adgang til produktionsmiljøet.
Sæt grænser for beslutninger: Angiv, hvilke handlinger der kan udføres selvstændigt, og hvilke der kræver godkendelse. Erstat generelle regler om »altid at spørge« med klare grænser.
Vær tydelig om, at arbejdet skal følges til dørs: Definer, hvad »færdig« omfatter – at implementere ændringen, køre den, undersøge resultatet og rette fejl – og angiv, hvilke beslutninger du skal gennemgå.
Find mere vejledning i anbefalede fremgangsmåder for ræsonnering(åbner i et nyt vindue).
Uanset om du arbejder i Codex eller udvikler med API'et, skal du angive, hvilke beslutninger modellen må træffe, hvornår den skal bede om input, og hvordan et brugbart svar ser ud.
Giv modellen tilstrækkelig vejledning til at holde arbejdet i gang uden at gætte sig frem til vigtige beslutninger. (åbner i et nyt vindue)Fortæl den, hvilke valg den må træffe, og hvornår den skal bede om dit input(åbner i et nyt vindue). Den må for eksempel gerne vælge, hvordan et resumé skal struktureres, men bør spørge dig, før den ændrer projektets omfang. (åbner i et nyt vindue)Beskriv, hvordan et brugbart svar ser ud(åbner i et nyt vindue): for eksempel letforståeligt sprog, tekniske detaljer tilpasset målgruppen og en kort overlevering om, hvad der er ændret, hvad der er kontrolleret, og hvad der stadig kræver opmærksomhed.
Med modellerne i GPT‑6‑familien kan du nu løse opgaver, der strækker sig over timer eller dage. Brug følgende funktioner til bedre at styre agenter, der arbejder på længerevarende opgaver.
I API'et kan du bruge løbende styring, asynkrone værktøjer og parallelt arbejde til at holde længerevarende opgaver i gang.
Opdater instruktionerne under en kørsel: Styring undervejs i en svartur(åbner i et nyt vindue) lader dig sende en rettelse via Responses WebSocket API(åbner i et nyt vindue), mens modellen arbejder. Opdateringer sættes i kø. De afbryder ikke værktøjer, der kører, og fortryder ikke udførte handlinger.
Fortsæt arbejdet, mens et værktøj kører: Asynkrone værktøjskald(åbner i et nyt vindue) lader modellen fortsætte med uafhængigt arbejde, mens din app udfører en langsommere opgave, såsom tests. Din app returnerer resultatet, når det er klart. Vent på resultatet, før du starter arbejde, der afhænger af det.
Deleger uafhængige delopgaver: GPT‑6.1 Sol understøtter arbejdsgange med flere agenter i Responses API(åbner i et nyt vindue). Den kan tildele uafhængigt arbejde til underagenter, såsom at undersøge forskellige dele af en kodebase, og samle deres resultater i et endeligt svar. Funktionen med flere agenter er i øjeblikket i beta.
Længerevarende opgaver kan føre til beslutninger, som du ikke nødvendigvis kunne forudse i den første prompt. Brug afklaring og løbende styring til at holde arbejdet på rette spor.
Besvar spørgsmål, efterhånden som arbejdet skrider frem: Med GPT‑6 Astra kan Codex bede om afklaring, mens det arbejder(åbner i et nyt vindue). Afklar spørgsmål, der påvirker det næste trin, og angiv, hvilke uafhængige opgaver der kan fortsætte, mens du beslutter dig. Hvis du ikke er til stede, så fortæl Codex, hvilke opgaver der kan fortsætte, og hvornår det skal sætte arbejdet på pause for at afvente dit svar.
Juster kursen, når kravene ændrer sig: Styr den igangværende opgave(åbner i et nyt vindue) med nye oplysninger, og forklar, hvad der skal ændres, og hvad der skal forblive uændret. Det hjælper med at undgå at bruge mere tid på en tilgang, der ikke længere opfylder dine behov.
Computerbetjening(åbner i et nyt vindue) lader GPT‑6 Astra, GPT‑6.1 Sol og GPT‑6 Luna interagere direkte med websites og skrivebordsapps – også applikationer uden et API. Du kan for eksempel bede modellen om at undersøge en fejl, rette koden og åbne dit produkt i en browser for at kontrollere, at rettelsen virker.
Vælg den enkleste pålidelige måde at udføre hvert trin på:
Brug et API eller et tilsluttet værktøj, når det kan løse opgaven direkte.
Brug computerbetjening, når modellen skal læse en skærm, klikke på knapper eller udfylde en formular for dig.
Hvis du bygger computerbetjening ind i din egen app, skal du give modellen et værktøj, der kan køre kode til at styre en browser eller et skrivebord. Playwright fungerer med browsere(åbner i et nyt vindue); PyAutoGUI fungerer med skrivebordsapps.
