En modellveiledning for GPT‑6‑familien

GPT‑6 er vår mest avanserte modellsamling hittil og gir deg et utvalg modeller for ulike typer arbeid.

Enten du gjør en idé til en fungerende prototype, bygger og tester en funksjon eller koordinerer arbeidsflyter med flere trinn på tvers av kodelagre, databaser og eksterne API-er, forklarer denne veiledningen hvordan du velger en GPT‑6‑modell, gir den effektive instruksjoner, håndterer langvarig arbeid og forbereder produksjonssetting.

• Sørg for effektiv drift i produksjon. Bruk hurtigbufring⁠(åpnes i et nytt vindu) og komprimering⁠(åpnes i et nytt vindu) for å styre kontekst og kostnader. Mål oppgavenes suksessrate og responstid, og planlegg overvåking og datakontroller.

• Velg modellen som passer til arbeidet. Balanser kapasitet, kostnad og responstid ved å velge modellen, resonneringsinnsatsen⁠(åpnes i et nytt vindu) og hastigheten som passer til oppgaven.

• Tilpass prompter og ferdigheter. Sørg for at prompter, ferdigheter og instruksjoner i lageret er samstemte om hva modellen skal levere, hva den kan gjøre selvstendig, og når arbeidet regnes som ferdig.

• Hold langvarig arbeid på rett spor. Bruk styring⁠(åpnes i et nytt vindu), asynkrone verktøy⁠(åpnes i et nytt vindu) og delegering⁠(åpnes i et nytt vindu) for å håndtere oppdateringer og uavhengig arbeid. Sett klare rammer for når modellen skal be om innspill.

Før produksjonssetting bør du få på plass flere kontroller og anbefalte rutiner.

• Tenk på effektivitet. ⁠(åpnes i et nytt vindu)Kutt kontekst oppgaven ikke trenger⁠(åpnes i et nytt vindu), men behold det nødvendige faktagrunnlaget. Der applikasjonen støtter det, kan du kjøre uavhengige oppgaver samtidig⁠(åpnes i et nytt vindu), slik at ett tregt trinn ikke forsinker annet arbeid.

• Gjenbruk felles kontekst gjennom promptcaching⁠(åpnes i et nytt vindu) for gjentakende arbeid. Hurtigbufrede inndata-token koster opptil 95 % mindre⁠(åpnes i et nytt vindu) enn inndata-token som ikke er hurtigbufret, avhengig av modellen. Plasser faste instruksjoner og referansemateriale før oppgavedetaljer som endrer seg, og hold verktøydefinisjonene konsistente. Dashbordet for hurtigbufring⁠(åpnes i et nytt vindu) og diagnoseveiledningen⁠(åpnes i et nytt vindu) hjelper deg å se hvor gjenbruken svikter. Ta med skriving til hurtigbuffer og eventuelle satser for lang kontekst når du anslår kostnaden for en komplett arbeidsflyt.

• I lengre samtaler reduserer komprimering⁠(åpnes i et nytt vindu) kontekststørrelsen, samtidig som tilstanden som trengs for å fortsette, bevares.

• Bestem hvordan du vil overvåke atferden⁠(åpnes i et nytt vindu), og gjennomgå datakontrollene⁠(åpnes i et nytt vindu) for applikasjonen din.

• Test før produksjonssetting: Kjør representative oppgaver og mål suksessrate, responstid og kostnad per vellykket oppgave. Se sjekklisten vår for produksjonssetting med API-et⁠(åpnes i et nytt vindu).

Se på valget av modell og resonneringsnivå som en avveining mellom intelligens og pris.

• Modell:

  • GPT‑6 Astra⁠(åpnes i et nytt vindu) for det mest krevende resonneringsarbeidet, der det trengs maksimal intelligens.

  • GPT‑6.1 Sol⁠(åpnes i et nytt vindu) for kompleks koding, research og datamaskinbruk.

  • GPT‑6 Luna⁠(åpnes i et nytt vindu) for avgrensede oppgaver i stor skala og daglig, gjentakende arbeid med et klart mål, som å hente ut fakturafelter, klassifisere forespørsler eller lage strukturerte sammendrag.

Når du vurderer hvilken modell som er best for oppgaven, bør du sammenligne prisene⁠(åpnes i et nytt vindu) for hver modell.

• Resonneringsnivå: I API-et velger du hvor mye innsats modellen skal legge i oppgaven.

  • Lav: Rutineoppgaver, som å hente ut fakta eller gjøre små endringer.

  • Middels: Arbeid som krever skjønn, som å planlegge en funksjon eller sammenligne alternativer.

  • Høy: Vanskelig feilsøking, dypere analyse eller grundig gjennomgang.

  • Ekstra høy / Max: Test der det støttes, når Høy ikke strekker til. Behold det bare hvis forbedringen rettferdiggjør den ekstra tiden og kostnaden.

I API-et kan du endre resonneringsinnsatsen underveis i samtalen⁠(åpnes i et nytt vindu) uten å bryte hurtigbufringen.

I Codex starter du med modellens standardnivå for resonnering, og senker det for enklere oppgaver eller øker det for dypere analyse.

• Hastighet:

  • I API-et bruker du Hurtigmodus⁠(åpnes i et nytt vindu) når responstiden er viktig, for eksempel i chatteapper eller kodeverktøy. Det gir raskere og mer stabile responstider til en høyere kostnad per token enn standardbehandling.

  • I Codex og API-et bruker du Ultrafast⁠(åpnes i et nytt vindu) når raskere svar er verdt tilleggskostnaden, for eksempel ved raske kodeiterasjoner. Det øker hastigheten på tokengenereringen uavhengig av resonneringsinnsatsen. Tilgjengelig for GPT‑6 Astra⁠(åpnes i et nytt vindu).

Start med et tydelig oppdrag: resultatet du ønsker, hvem det er for, relevant kontekst og begrensninger, og når arbeidet regnes som ferdig. Gå deretter gjennom disse fire områdene, oppsummert fra Nye tilnærminger til ferdigheter og prompter for GPT‑6 Astra⁠(åpnes i et nytt vindu), for en grundigere innføring i hvordan du oppdaterer instruksjonene:

• Lag bedre ferdigheter: Hold beskrivelsene korte og tydelige på når hver ferdighet skal kjøres, last inn støttedetaljer bare ved behov, og erstatt rigide oppskrifter med veiledning tilpasset modellene teamet bruker.

• Oppdater AGENTS.md: Forklar når bestemte dokumenter og tester er relevante, og gi uttrykkelig tillatelse til trygge rutinearbeidsflyter, som å kjøre lokale tester med midlertidige data og uten produksjonstilgang.

• Sett grenser for beslutninger: Angi hvilke handlinger som kan utføres selvstendig, og hvilke som krever godkjenning. Erstatt generelle «spør alltid»-regler med klare grenser.

• Gi klare føringer for å fullføre arbeidet: Definer hva «ferdig» innebærer – å implementere endringen, kjøre den, kontrollere resultatet og rette feil – og angi hvilke beslutninger du må gjennomgå.

For mer veiledning, se anbefalte fremgangsmåter for resonnering⁠(åpnes i et nytt vindu).

Enten du jobber i Codex eller bygger med API-et, bør du angi hvilke beslutninger modellen kan ta, når den skal be om innspill, og hva som kjennetegner et nyttig svar.

Gi modellen nok føringer til å holde arbeidet i gang uten å måtte gjette seg frem til viktige beslutninger. ⁠(åpnes i et nytt vindu)Fortell den hvilke valg den kan ta, og når den skal be om innspill fra deg⁠(åpnes i et nytt vindu). Den kan for eksempel velge hvordan et sammendrag skal organiseres, men bør avklare med deg før den endrer prosjektets omfang. ⁠(åpnes i et nytt vindu)Beskriv hva som kjennetegner et nyttig svar⁠(åpnes i et nytt vindu), for eksempel klart språk, tekniske detaljer tilpasset målgruppen og en kort sluttrapport om hva som ble endret, hva som ble kontrollert, og hva som fortsatt må følges opp.

Med modellene i GPT‑6‑familien kan du nå ta fatt på oppgaver som strekker seg over timer eller dager. Bruk følgende funksjoner for å styre agenter bedre i langvarige oppgaver.

I API-et bruker du styring, asynkrone verktøy og parallelt arbeid for å holde langvarige oppgaver i gang.

• Oppdater instruksjoner under en kjøring: Styring underveis i en tur⁠(åpnes i et nytt vindu) lar deg sende en korrigering via Responses WebSocket API⁠(åpnes i et nytt vindu) mens modellen jobber. Oppdateringer settes i kø. De avbryter ikke verktøy som kjører, og angrer ikke fullførte handlinger.

• Fortsett arbeidet mens et verktøy kjører: Asynkrone verktøykall⁠(åpnes i et nytt vindu) lar modellen fortsette med uavhengig arbeid mens appen kjører en tregere oppgave, for eksempel tester. Appen returnerer resultatet når det er klart. Vent på resultatet før du starter arbeid som avhenger av det.

• Deleger uavhengige deloppgaver: GPT‑6.1 Sol støtter arbeidsflyter med flere agenter i Responses API⁠(åpnes i et nytt vindu). Modellen kan tildele uavhengig arbeid til underagenter, som å undersøke ulike deler av en kodebase, og samle funnene deres i et endelig svar. Støtte for flere agenter er foreløpig i beta.

Langvarige oppgaver kan avdekke beslutninger du ikke nødvendigvis kunne forutse i den første prompten. Bruk avklaringer og styring for å holde arbeidet på rett kurs.

• Svar på spørsmål underveis: Med GPT‑6 Astra kan Codex be om avklaringer mens det jobber⁠(åpnes i et nytt vindu). Avklar spørsmål som påvirker neste trinn, og angi hvilket uavhengig arbeid som kan fortsette mens du bestemmer deg. Hvis du skal være borte, fortell Codex hvilke oppgaver det kan fortsette med, og når det skal vente på svar fra deg.

• Juster retningen når kravene endres: Styr den aktive oppgaven⁠(åpnes i et nytt vindu) med ny informasjon, og forklar hva som skal endres, og hva som skal forbli uendret. Det bidrar til å unngå at mer tid går med til en fremgangsmåte som ikke lenger dekker behovene dine.

Datamaskinbruk⁠(åpnes i et nytt vindu) lar GPT‑6 Astra, GPT‑6.1 Sol og GPT‑6 Luna samhandle direkte med nettsteder og skrivebordsapper, også applikasjoner uten API. Du kan for eksempel be modellen undersøke en feil, rette koden og åpne produktet ditt i en nettleser for å kontrollere at rettelsen fungerer.

Velg den enkleste pålitelige måten å utføre hvert trinn på:

• Bruk et API eller et tilkoblet verktøy når det kan gjøre jobben direkte.

• Bruk datamaskinbruk når modellen må lese av en skjerm, klikke på knapper eller fylle ut et skjema for deg.

Hvis du bygger datamaskinbruk inn i din egen app, gi modellen et verktøy som kan kjøre kode for å styre en nettleser eller et skrivebord. Playwright fungerer med nettlesere⁠(åpnes i et nytt vindu); PyAutoGUI fungerer med skrivebordsapper.