Gabay sa modelo para sa GPT‑6 family

Ang GPT‑6 ang aming pinaka-advanced na suite ng mga model sa ngayon⁠. Nag-aalok ito sa iyo ng pagpipilian ng mga model para sa iba't ibang klase ng gawain.

Gumagawa ka man ng gumaganang prototype mula sa isang ideya, bumubuo at nagte-test ng feature, o nag-uugnay ng mga workflow na may maraming hakbang sa mga code repository, database, at external API, ipinapaliwanag ng gabay na ito kung paano pumili ng GPT‑6 na modelo, magbigay rito ng mga epektibong tagubilin, pamahalaan ang matagalang gawain, at maghanda para sa production.

• Gamitin nang epektibo sa production. Gumamit ng caching⁠(magbubukas sa bagong window) at compaction⁠(magbubukas sa bagong window) para pamahalaan ang konteksto at gastos. Sukatin ang tagumpay ng gawain at latency, at magplano para sa pagsubaybay at mga kontrol sa data.

• Iangkop ang modelo sa iyong workload. Balansehin ang kakayahan, gastos, at latency sa pagpili ng modelo, effort sa pangangatwiran⁠(magbubukas sa bagong window), at bilis na angkop sa gawain.

• I-adjust ang iyong mga prompt at skill. Tiyaking magkakatugma ang mga prompt, skill, at tagubilin sa repository tungkol sa dapat ibigay ng modelo, kung ano magagawa nito nang mag-isa, at kung ano ang maituturing na tapos na.

• Panatilihin sa tamang direksyon ang matagalang gawain. Gumamit ng paggabay⁠(magbubukas sa bagong window), mga async tool⁠(magbubukas sa bagong window), at delegation⁠(magbubukas sa bagong window) para pangasiwaan ang mga update at independent na gawain. Linawin kung kailan dapat humingi ng input ang modelo.

Bago mag-deploy, may ilang pagsusuri at pinakamahuhusay na kagawian na magandang ipatupad.

• Isaalang-alang ang efficiency. Alisin ang kontekstong hindi kailangan ng gawain⁠(magbubukas sa bagong window) pero panatilihin ang kinakailangang ebidensya. Kung sinusuportahan ng iyong application, paganahin nang magkakasama ang mga independent na gawain⁠(magbubukas sa bagong window) para hindi maantala ng isang mabagal na hakbang ang ibang gawain.

• Muling gamitin ang iisang konteksto sa pamamagitan ng prompt caching⁠(magbubukas sa bagong window) para sa umuulit na gawain. Hanggang 95% na mas mababa⁠(magbubukas sa bagong window) ang gastos sa mga naka-cache na input token kaysa sa hindi naka-cache, depende sa modelo. Ilagay ang mga stable na tagubilin at reference bago ang mga nagbabagong detalye ng gawain, at panatilihing pare-pareho ang mga depinisyon ng tool. Makakatulong ang caching dashboard⁠(magbubukas sa bagong window) at gabay sa diagnostics⁠(magbubukas sa bagong window) para makita kung saan pumapalya ang muling paggamit na iyon. Isama ang mga cache write at anumang rate sa mahabang konteksto kapag tinatantiya ang gastos ng buong workflow.

• Para sa mas mahahabang pag-uusap, pinapaliit ng compaction⁠(magbubukas sa bagong window) ang konteksto habang pinapanatili ang state na kailangan para magpatuloy.

• Magpasya kung paano mo susubaybayan ang gawi⁠(magbubukas sa bagong window) at suriin ang mga kontrol sa data⁠(magbubukas sa bagong window) para sa iyong application.

• I-test bago i-deploy: Magpatakbo ng mga gawaing kumakatawan sa aktuwal na paggamit at sukatin ang tagumpay, latency, at gastos sa bawat matagumpay na gawain. Tingnan ang aming checklist sa pag-deploy ng API⁠(magbubukas sa bagong window).

Ituring ang pagpili ng model at level ng reasoning bilang tradeoff ng intelligence at price.

• Modelo:

  • GPT‑6 Astra⁠(magbubukas sa bagong window) para sa pinakamahihirap na gawaing pangangatwiran na nangangailangan ng pinakamataas na antas ng talino.

  • GPT‑6.1 Sol⁠(magbubukas sa bagong window) para sa kumplikadong coding, pananaliksik, at paggamit ng computer.

  • GPT‑6 Luna⁠(magbubukas sa bagong window) para sa maramihang naka-focus na gawain at araw-araw na paulit-ulit na gawaing may malinaw na layunin, gaya ng pag-extract ng mga field ng invoice, pag-uuri ng mga kahilingan, o paggawa ng mga naka-structure na buod.

Kapag pumipili ng pinakamahusay na modelo para sa gawain, paghambingin ang mga presyo⁠(magbubukas sa bagong window) ng bawat modelo.

• Antas ng pangangatwiran: Sa API, piliin kung gaano kalaking effort ang ilalaan ng modelo sa gawain.

  • Mababa: Rutinang gawain, gaya ng pag-extract ng mga fact o paggawa ng maliliit na edit.

  • Medium: Gawaing nangangailangan ng pagpapasya, gaya ng pagpaplano ng feature o paghahambing ng mga opsyon.

  • Mataas: Mahirap na debugging, mas malalim na pagsusuri, o maingat na pagre-review.

  • Napakataas / Max: I-test kung suportado kapag kulang ang Mataas, at gamitin lang kung sulit ang dagdag na oras at gastos sa inihusay ng resulta.

Sa API, puwede mong baguhin ang effort ng pangangatwiran sa kalagitnaan ng pag-uusap⁠(magbubukas sa bagong window) nang hindi naaabala ang cache.

Sa Codex, magsimula sa default na antas ng pangangatwiran ng modelo, saka ibaba ito para sa mas simpleng gawain o itaas para sa mas malalim na pagsusuri.

• Bilis:

  • Sa API, gumamit ng Fast mode⁠(magbubukas sa bagong window) kapag mahalaga ang bilis ng tugon, gaya ng sa mga chat app o coding tool. Nagbibigay ito ng mas mabilis at mas pare-parehong oras ng pagtugon, pero mas mataas ang gastos kada token kaysa sa Standard na pagproseso.

  • Sa Codex at API, gumamit ng Ultrafast⁠(magbubukas sa bagong window) kapag sulit ang dagdag na bayad para sa mas mabilis na tugon, gaya ng mabilisang pag-ulit sa coding. Pinapabilis nito ang pagbuo ng token anuman ang effort sa pangangatwiran. Available para sa GPT‑6 Astra⁠(magbubukas sa bagong window).

Magsimula sa malinaw na gawain: ang gusto mong resulta, para kanino ito, kaugnay na konteksto at mga limitasyon, at kung ano ang maituturing na tapos na. Pagkatapos, suriin ang apat na aspetong ito, na binuod mula sa Muling pagsasaalang-alang sa mga skill at prompt para sa GPT‑6 Astra⁠(magbubukas sa bagong window), para mas maunawaan kung paano ia-update ang iyong mga tagubilin:

• Gumawa ng mas mahuhusay na skill: Ilarawan nang maikli at malinaw kung kailan gagamitin ang bawat skill, mag-load lang ng dagdag na detalye kapag kailangan, at palitan ang mahihigpit na hakbang ng gabay na angkop sa mga modelong gamit ng team.

• I-update ang iyong AGENTS.md: Ipaliwanag kung kailan mahalaga ang mga partikular na dokumento at test, at tahasang pahintulutan ang mga ligtas na karaniwang workflow, gaya ng pagpapatakbo ng mga lokal na test na gumagamit ng pansamantalang data at walang access sa production.

• Magtakda ng mga hangganan sa pagpapasya: Sabihin kung aling mga aksyon ang magagawa nang independent at alin ang nangangailangan ng pahintulot. Palitan ang pangkalahatang utos na “laging magtanong” ng malinaw na mga hangganan.

• Linawin kung hanggang kailan magpapatuloy: Tukuyin kung ano ang saklaw ng “tapos na”—pagpapatupad ng pagbabago, pagpapatakbo nito, pagsusuri sa resulta, at pag-aayos ng mga failure—at kung aling mga desisyon ang kailangan mong suriin.

Para sa dagdag na gabay, tingnan ang pinakamahuhusay na kasanayan sa pangangatwiran⁠(magbubukas sa bagong window).

Gumagamit ka man ng Codex o bumubuo gamit ang API, tukuyin kung aling mga desisyon ang magagawa ng modelo, kailan ito dapat humingi ng input, at paano masasabing kapaki-pakinabang ang tugon.

Bigyan ang modelo ng sapat na gabay para magpatuloy ang gawain nang hindi nanghuhula sa mahahalagang desisyon. Sabihin kung ano ang puwede nitong pagpasyahan at kailan nito dapat hingin ang input mo⁠(magbubukas sa bagong window). Halimbawa, puwede nitong piliin kung paano aayusin ang isang buod, pero dapat muna itong magtanong sa iyo bago baguhin ang saklaw ng proyekto. Ilarawan kung ano ang masasabing kapaki-pakinabang na tugon⁠(magbubukas sa bagong window), gaya ng simpleng pananalita, teknikal na detalyeng angkop sa iyong audience, at maikling ulat tungkol sa mga binago, sinuri, at kailangan pang asikasuhin.

Sa pamilya ng mga modelo ng GPT‑6, puwede ka nang magpatakbo ng mga gawaing tumatagal nang ilang oras o araw. Gamitin ang mga sumusunod na feature para mas mahusay na mapamahalaan ang mga agent sa matagalang gawain.

Sa API, gumamit ng paggabay, mga asynchronous tool, at sabay-sabay na paggawa para patuloy na umusad ang mga matagalang gawain.

• I-update ang mga tagubilin habang tumatakbo ang gawain: Sa paggabay sa kalagitnaan ng turn⁠(magbubukas sa bagong window), puwede kang magpadala ng pagwawasto sa pamamagitan ng Responses WebSocket API⁠(magbubukas sa bagong window) habang gumagawa ang modelo. Ipinipila ang mga update; hindi nito kinakansela ang mga tumatakbong tool o ina-undo ang mga nakumpletong aksyon.

• Magpatuloy habang tumatakbo ang isang tool: Sa pag-call ng asynchronous tool⁠(magbubukas sa bagong window), maipagpapatuloy ng modelo ang independent na gawain habang gumagawa ang iyong app ng mas mabagal na gawain, gaya ng mga pag-test. Ibibigay ng iyong app ang resulta kapag handa na ito. Hintayin ang resultang iyon bago simulan ang gawaing umaasa rito.

• Ipagkatiwala sa iba ang mga independent na subtask: Sinusuportahan ng GPT‑6.1 Sol ang mga multi-agent workflow sa Responses API⁠(magbubukas sa bagong window). Puwede itong magtalaga sa mga subagent ng mga indent na gawain (gaya ng pagsisiyasat sa iba't ibang bahagi ng codebase) at pagsamahin ang kanilang mga natuklasan sa isang final na tugon. Kasalukuyang nasa beta ang multi-agent.

Sa matagalang gawain, puwedeng lumitaw ang mga desisyong hindi mo inaasahan sa unang prompt. Gumamit ng paglilinaw at paggabay para manatili sa tamang direksyon ang gawain.

• Sagutin ang mga tanong habang umuusad ang gawain: Sa GPT‑6 Astra, puwedeng humingi ng paglilinaw ang Codex habang nagtatrabaho ito⁠(magbubukas sa bagong window). Sagutin ang mga tanong na nakaaapekto sa susunod na hakbang, at tukuyin kung aling mga independet na gawain ang puwedeng magpatuloy habang nagpapasya ka. Kung aalis ka, sabihin sa Codex kung aling mga gawain ang puwedeng magpatuloy at kailan ito dapat mag-pause para hintayin ang iyong sagot.

• Baguhin ang direksyon ng gawain kapag nagbago ang mga kinakailangan: Gabayan ang aktibong gawain⁠(magbubukas sa bagong window) gamit ang bagong impormasyon, at ipaliwanag kung ano ang dapat baguhin at panatilihin. Makakatulong ito para maiwasang gumugol ng mas maraming oras sa paraang hindi na nakakatugon sa iyong mga pangangailangan.

Sa paggamit ng computer⁠(magbubukas sa bagong window), direktang makakagamit ang GPT‑6 Astra, GPT‑6.1 Sol, at GPT‑6 Luna ng mga website at desktop app, kahit mga application na walang API. Halimbawa, puwede mong hilingin sa modelo na siyasatin ang isang bug, ayusin ang code, at buksan ang iyong produkto sa browser para tingnan kung gumagana ang solusyon.

Piliin ang pinakasimple at maaasahang paraan para sa bawat hakbang:

• Gumamit ng API o nakakonektang tool kung kaya nitong gawin nang direkta ang trabaho.

• Gamitin ang kakayahang gumamit ng computer kapag kailangang basahin ng modelo ang screen, mag-click ng mga button, o punan ang isang form para sa iyo.

Kung isinasama mo ang kakayahang gumamit ng computer sa sarili mong app, bigyan ang modelo ng tool na makakapagpatakbo ng code para kontrolin ang isang browser o desktop. Gumagana ang Playwright sa mga browser⁠(magbubukas sa bagong window); gumagana naman ang PyAutoGUI sa mga desktop app.