راهنمای مدل‌های خانوادهٔ GPT‑6
نکات عملی برای گرفتن بهترین نتیجه از مدل‌های GPT‑6 همراه با مدیریت زمان و هزینه
GPT‑6 پیشرفته‌ترین مجموعهٔ مدل‌های ما تا امروز است و برای کارهای مختلف، مدل‌های متفاوتی در اختیارتان می‌گذارد.
چه ایده‌ای را به نمونهٔ اولیهٔ قابل‌استفاده تبدیل کنید، چه قابلیتی را بسازید و بیازمایید، چه گردش‌کارهای چندمرحله‌ای را میان محل‌های نگهداری کد، پایگاه‌های داده و APIهای خارجی هماهنگ کنید، این راهنما روش انتخاب مدل GPT‑6، ارائهٔ دستورالعمل مؤثر، مدیریت کارهای طولانی و آمادگی برای محیط عملیاتی را توضیح می‌دهد.
در محیط عملیاتی کارآمد اجرا کنید. برای مدیریت زمینه و هزینه، از ذخیره‌سازی در حافظهٔ نهان(در یک پنجره جدید باز می‌شود) و فشرده‌سازی(در یک پنجره جدید باز می‌شود) استفاده کنید. موفقیت کار و تأخیر را بسنجید و برای پایش و کنترل‌های داده برنامه‌ریزی کنید.
مدل را متناسب با بار کاری انتخاب کنید. با انتخاب مدل، میزان تلاش برای استدلال(در یک پنجره جدید باز می‌شود) و سرعت مناسب، میان توانایی، هزینه و تأخیر تعادل برقرار کنید.
اعلان‌ها و مهارت‌هایتان را تنظیم کنید. اعلان‌ها، مهارت‌ها و دستورالعمل‌های محل نگهداری را دربارهٔ خروجی مورد انتظار، کارهای مجازِ مستقل و معیار تکمیل کار هماهنگ نگه دارید.
کارهای طولانی را در مسیر درست نگه دارید. برای مدیریت تغییرات و کارهای مستقل، از هدایت(در یک پنجره جدید باز می‌شود)، ابزارهای ناهمگام(در یک پنجره جدید باز می‌شود) و واگذاری کار(در یک پنجره جدید باز می‌شود) استفاده کنید. روشن کنید مدل چه زمانی باید نظر شما را بپرسد.
پیش از استقرار، چند بررسی و اقدام توصیه‌شده را در نظر بگیرید.
کارایی را مدنظر داشته باشید. (در یک پنجره جدید باز می‌شود)ضمن حفظ شواهد لازم، اطلاعات زمینه‌ای غیرضروری را حذف کنید(در یک پنجره جدید باز می‌شود). اگر برنامه‌تان پشتیبانی می‌کند، کارهای مستقل را هم‌زمان اجرا کنید(در یک پنجره جدید باز می‌شود) تا کندی یک مرحله مانع کارهای نامرتبط نشود.
برای کارهای تکراری، با ذخیره‌سازی پرامپت در حافظهٔ نهان(در یک پنجره جدید باز می‌شود) از زمینهٔ مشترک دوباره استفاده کنید. بسته به مدل، هزینهٔ توکن‌های ورودیِ ذخیره‌شده در حافظهٔ نهان تا ۹۵٪ کمتر(در یک پنجره جدید باز می‌شود) از توکن‌های ذخیره‌نشده است. دستورالعمل‌ها و منابع ثابت را پیش از جزئیات متغیر کار قرار دهید و تعاریف ابزارها را ثابت نگه دارید. داشبورد حافظهٔ نهان(در یک پنجره جدید باز می‌شود) و راهنمای عیب‌یابی(در یک پنجره جدید باز می‌شود) نشان می‌دهند استفادهٔ مجدد کجا مختل می‌شود. در برآورد هزینهٔ کل گردش‌کار، نوشتن در حافظهٔ نهان و تعرفه‌های زمینهٔ طولانی را هم لحاظ کنید.
در گفتگوهای طولانی‌تر، فشرده‌سازی(در یک پنجره جدید باز می‌شود) حجم زمینه را کم می‌کند و در عین حال وضعیت لازم برای ادامه را حفظ می‌کند.
روش پایش رفتار(در یک پنجره جدید باز می‌شود) را تعیین کنید و کنترل‌های داده(در یک پنجره جدید باز می‌شود) را برای برنامه‌تان بررسی کنید.
پیش از استقرار آزمایش کنید: کارهای نمونهٔ نماینده را اجرا کنید و موفقیت، تأخیر و هزینهٔ هر کار موفق را بسنجید. فهرست بررسی استقرار API(در یک پنجره جدید باز می‌شود) ما را ببینید.
انتخاب مدل و سطح استدلال را موازنه‌ای میان هوش و قیمت در نظر بگیرید.
مدل:
GPT‑6 Astra(در یک پنجره جدید باز می‌شود) برای دشوارترین کارهای استدلالی که به بیشترین توان هوشی نیاز دارند.
GPT‑6.1 Sol(در یک پنجره جدید باز می‌شود) برای برنامه‌نویسی پیچیده، پژوهش و استفاده از رایانه.
GPT‑6 Luna(در یک پنجره جدید باز می‌شود) برای وظایف مشخص در مقیاس بزرگ و کارهای روزمرهٔ تکراری با هدف روشن، مانند استخراج فیلدهای فاکتور، دسته‌بندی درخواست‌ها یا تولید خلاصه‌های ساختاریافته.
هنگام ارزیابی بهترین مدل برای کار، قیمت مدل‌ها را مقایسه کنید(در یک پنجره جدید باز می‌شود).
سطح استدلال: در API، میزان تلاش مدل برای انجام کار را انتخاب کنید.
پایین: کارهای معمول، مانند استخراج واقعیت‌ها یا ویرایش‌های جزئی.
متوسط: کارهای نیازمند قضاوت، مانند برنامه‌ریزی یک قابلیت یا مقایسهٔ گزینه‌ها.
بالا: اشکال‌زدایی دشوار، تحلیل عمیق‌تر یا بازبینی دقیق.
بسیار بالا / Max: اگر «بالا» کافی نبود، در صورت پشتیبانی امتحان کنید؛ تنها زمانی نگه دارید که بهبود نتیجه، زمان و هزینهٔ بیشتر را توجیه کند.
در API می‌توانید بدون بی‌اعتبار شدن حافظهٔ نهان، میزان تلاش برای استدلال را در میانهٔ گفتگو تغییر دهید(در یک پنجره جدید باز می‌شود).
در Codex، با سطح استدلال پیش‌فرض مدل شروع کنید؛ سپس برای کارهای ساده‌تر آن را کاهش دهید یا برای تحلیل عمیق‌تر افزایش دهید.
سرعت:
در API، وقتی زمان پاسخ مهم است، مثلاً در برنامه‌های گفتگو یا ابزارهای برنامه‌نویسی، از حالت سریع(در یک پنجره جدید باز می‌شود) استفاده کنید. این حالت نسبت به پردازش استاندارد، زمان پاسخ کوتاه‌تر و باثبات‌تری دارد، اما هزینهٔ هر توکن بیشتر است.
در Codex و API، وقتی پاسخ سریع‌تر ارزش هزینهٔ بیشتر را دارد، مثلاً در چرخه‌های سریع برنامه‌نویسی، از فوق‌سریع(در یک پنجره جدید باز می‌شود) استفاده کنید. این حالت، مستقل از میزان تلاش برای استدلال، تولید توکن را سریع‌تر می‌کند. برای GPT‑6 Astra در دسترس است(در یک پنجره جدید باز می‌شود).
—اریک پروونچر، تیم تجربهٔ توسعه‌دهندگان در OpenAI
با مأموریتی روشن شروع کنید: نتیجهٔ دلخواه، مخاطب، زمینه و محدودیت‌های مرتبط، و معیار تکمیل کار. سپس برای بررسی دقیق‌ترِ به‌روزرسانی دستورالعمل‌ها، این چهار محور برگرفته از بازاندیشی مهارت‌ها و اعلان‌ها برای GPT‑6 Astra(در یک پنجره جدید باز می‌شود) را مرور کنید:
مهارت‌های بهتری بسازید: توضیحات را کوتاه نگه دارید و زمان اجرای هر مهارت را روشن کنید؛ جزئیات تکمیلی را فقط هنگام نیاز بارگذاری کنید و به‌جای دستورالعمل‌های خشک، راهنمایی متناسب با مدل‌های تیم ارائه دهید.
AGENTS.md را به‌روز کنید: توضیح دهید هر سند و آزمون چه زمانی مرتبط است و گردش‌کارهای معمول و ایمن را صریحاً مجاز کنید؛ مانند آزمون‌های محلی با داده‌های موقت و بدون دسترسی به محیط عملیاتی.
حدود تصمیم‌گیری را تعیین کنید: روشن کنید کدام اقدامات مستقل انجام می‌شوند و کدام به تأیید نیاز دارند؛ به‌جای قاعدهٔ کلی «همیشه بپرس»، مرزهای مشخص بگذارید.
میزان پیگیری کار را دقیق تعیین کنید: تعریف کنید «انجام‌شده» شامل چیست: پیاده‌سازی تغییر، اجرا، بررسی نتیجه و رفع خطاها. تصمیم‌های نیازمند بازبینی خود را هم مشخص کنید.
برای راهنمایی بیشتر، بهترین شیوه‌های استدلال(در یک پنجره جدید باز می‌شود) را ببینید.
چه در Codex کار کنید و چه با API برنامه بسازید، مشخص کنید مدل چه تصمیم‌هایی می‌تواند بگیرد، چه زمانی باید نظر شما را بپرسد و پاسخ مفید چه ویژگی‌هایی دارد.
مدل را به‌اندازه‌ای راهنمایی کنید که کار پیش برود، بی‌آنکه دربارهٔ تصمیم‌های مهم حدس بزند. (در یک پنجره جدید باز می‌شود)بگویید چه انتخاب‌هایی می‌تواند بکند و چه زمانی باید نظر شما را بپرسد(در یک پنجره جدید باز می‌شود)؛ مثلاً می‌تواند ساختار خلاصه را انتخاب کند، اما پیش از تغییر دامنهٔ پروژه باید با شما هماهنگ کند. (در یک پنجره جدید باز می‌شود)ویژگی‌های پاسخ مفید را شرح دهید(در یک پنجره جدید باز می‌شود)؛ مثلاً زبان ساده، جزئیات فنی متناسب با مخاطب و گزارشی کوتاه هنگام تحویل که تغییرات، بررسی‌های انجام‌شده و موارد نیازمند توجه را پوشش دهد.
با خانوادهٔ مدل‌های GPT‑6، اکنون می‌توانید به سراغ کارهایی بروید که ساعت‌ها یا روزها طول می‌کشند. برای مدیریت بهتر عامل‌ها در کارهای طولانی از قابلیت‌های زیر استفاده کنید.
در API، با هدایت، ابزارهای ناهمگام و کار موازی، کارهای طولانی را پیش ببرید.
دستورالعمل‌ها را حین اجرا به‌روز کنید: هدایت در میانهٔ نوبت(در یک پنجره جدید باز می‌شود) به شما امکان می‌دهد هنگام کار مدل، از طریق Responses WebSocket API(در یک پنجره جدید باز می‌شود) اصلاحیه بفرستید. به‌روزرسانی‌ها در صف قرار می‌گیرند؛ نه ابزارهای در حال اجرا را لغو می‌کنند و نه اقدامات انجام‌شده را برمی‌گردانند.
هنگام اجرای ابزار، کار را ادامه دهید: فراخوانی ناهمگام ابزار(در یک پنجره جدید باز می‌شود) به مدل امکان می‌دهد در حالی که برنامه‌تان کار کندتری، مانند آزمون‌ها، را اجرا می‌کند، کارهای مستقل را ادامه دهد. برنامهٔ شما نتیجه را پس از آماده‌شدن برمی‌گرداند. پیش از شروع کارهای وابسته به آن نتیجه، منتظر دریافتش بمانید.
زیروظایف مستقل را واگذار کنید: GPT‑6.1 Sol از گردش‌کارهای چندعاملی در Responses API(در یک پنجره جدید باز می‌شود) پشتیبانی می‌کند. این مدل می‌تواند کارهای مستقل، مانند بررسی بخش‌های مختلف یک مجموعه‌کد، را به زیرعامل‌ها بسپارد و یافته‌هایشان را در پاسخی نهایی ترکیب کند. قابلیت چندعاملی فعلاً در مرحلهٔ بتا است.
در کارهای طولانی ممکن است تصمیم‌هایی پیش بیایند که لزوماً در اعلان اولیه پیش‌بینی نکرده‌اید. با رفع ابهام و هدایت، کار را در مسیر درست نگه دارید.
هم‌زمان با پیشرفت کار به پرسش‌ها پاسخ دهید: با GPT‑6 Astra، Codex می‌تواند حین کار برای رفع ابهام سؤال بپرسد(در یک پنجره جدید باز می‌شود). به پرسش‌های مؤثر بر گام بعدی پاسخ دهید و مشخص کنید هنگام تصمیم‌گیری شما، کدام کارهای مستقل می‌توانند ادامه یابند. اگر در دسترس نخواهید بود، به Codex بگویید کدام کارها می‌توانند ادامه یابند و چه زمانی باید منتظر پاسخ شما بماند.
با تغییر نیازمندی‌ها، مسیر کار را تغییر دهید: با اطلاعات تازه، کار در حال اجرا را هدایت کنید(در یک پنجره جدید باز می‌شود) و توضیح دهید چه چیزهایی باید تغییر کنند و چه چیزهایی ثابت بمانند. این کار کمک می‌کند زمان بیشتری صرف رویکردی نشود که دیگر نیازتان را برآورده نمی‌کند.
قابلیت استفاده از رایانه(در یک پنجره جدید باز می‌شود) به GPT‑6 Astra، GPT‑6.1 Sol و GPT‑6 Luna امکان می‌دهد مستقیماً با وب‌سایت‌ها و برنامه‌های دسکتاپ، حتی برنامه‌های بدون API، تعامل کنند. مثلاً می‌توانید از مدل بخواهید اشکالی را بررسی کند، کد را اصلاح کند و محصولتان را در مرورگر باز کند تا از مؤثر بودن اصلاح مطمئن شود.
برای هر مرحله، ساده‌ترین راه قابل‌اعتماد را انتخاب کنید:
وقتی API یا ابزار متصل می‌تواند کار را مستقیم انجام دهد، از آن استفاده کنید.
وقتی مدل باید محتوای صفحه را بخواند، روی دکمه‌ها کلیک کند یا فرمی را برایتان پر کند، از قابلیت استفاده از رایانه بهره ببرید.
اگر قابلیت استفاده از رایانه را به برنامهٔ خود اضافه می‌کنید، ابزاری به مدل بدهید که بتواند با اجرای کد، مرورگر یا دسکتاپ را کنترل کند. Playwright با مرورگرها کار می‌کند(در یک پنجره جدید باز می‌شود)؛ PyAutoGUI با برنامه‌های دسکتاپ.
