Um guia de modelos da família GPT‑6

O GPT‑6 é nosso conjunto de modelos mais avançado até hoje e oferece opções de modelos para diferentes tipos de trabalho.

Seja para transformar uma ideia em um protótipo funcional, criar e testar um recurso ou orquestrar fluxos de trabalho de várias etapas entre repositórios de código, bancos de dados e APIs externas, este guia explica como escolher um modelo GPT‑6, dar instruções eficazes, gerenciar trabalhos de longa duração e se preparar para a produção.

• Opere com eficiência em produção. Use cache⁠(abre em uma nova janela) e compactação⁠(abre em uma nova janela) para gerenciar contexto e custo. Meça o sucesso das tarefas e a latência, e planeje o monitoramento e os controles de dados.

• Escolha o modelo adequado à sua carga de trabalho. Equilibre capacidade, custo e latência escolhendo o modelo, o esforço de raciocínio⁠(abre em uma nova janela) e a velocidade adequados à tarefa.

• Ajuste seus prompts e habilidades. Mantenha a coerência entre prompts, habilidades e instruções do repositório sobre o que o modelo deve entregar, o que pode fazer sozinho e quando o trabalho está concluído.

• Mantenha os trabalhos de longa duração no rumo certo. Use direcionamento⁠(abre em uma nova janela), ferramentas assíncronas⁠(abre em uma nova janela) e delegação⁠(abre em uma nova janela) para lidar com atualizações e trabalhos independentes. Defina limites claros para quando o modelo deve pedir orientação.

Antes da implantação, é importante adotar algumas verificações e boas práticas.

• Tenha a eficiência em mente. ⁠(abre em uma nova janela)Remova o contexto desnecessário para a tarefa⁠(abre em uma nova janela), mas preserve as evidências necessárias. Se sua aplicação permitir, execute tarefas independentes em paralelo⁠(abre em uma nova janela) para que uma etapa lenta não atrase trabalhos sem relação com ela.

• Reutilize o contexto compartilhado com o cache de prompts⁠(abre em uma nova janela) em trabalhos recorrentes. Tokens de entrada em cache custam até 95% menos⁠(abre em uma nova janela) que tokens de entrada sem cache, dependendo do modelo. Coloque instruções estáveis e materiais de referência antes dos detalhes variáveis da tarefa e mantenha as definições de ferramentas consistentes. O painel de cache⁠(abre em uma nova janela) e o guia de diagnóstico⁠(abre em uma nova janela) ajudam a identificar onde essa reutilização falha. Inclua as gravações em cache e eventuais tarifas de contexto longo ao estimar o custo de um fluxo de trabalho completo.

• Para conversas mais longas, a compactação⁠(abre em uma nova janela) reduz o tamanho do contexto, preservando o estado necessário para continuar.

• Decida como você vai monitorar o comportamento⁠(abre em uma nova janela) e revise os controles de dados⁠(abre em uma nova janela) da sua aplicação.

• Teste antes da implantação: execute tarefas representativas e meça o sucesso, a latência e o custo por tarefa bem-sucedida. Confira nossa lista de verificação para implantação da API⁠(abre em uma nova janela).

Pense na escolha do modelo e do nível de raciocínio como um equilíbrio entre inteligência e preço.

• Modelo:

  • GPT‑6 Astra⁠(abre em uma nova janela) para as tarefas de raciocínio mais difíceis, que exigem o máximo de inteligência.

  • GPT‑6.1 Sol⁠(abre em uma nova janela) para tarefas complexas de programação, pesquisa e uso do computador.

  • GPT‑6 Luna⁠(abre em uma nova janela) para tarefas específicas em escala e trabalhos rotineiros e repetitivos com objetivo claro, como extrair campos de faturas, classificar solicitações ou produzir resumos estruturados.

Ao avaliar o melhor modelo para a tarefa, compare os preços⁠(abre em uma nova janela) de cada um.

• Nível de raciocínio: na API, escolha quanto esforço o modelo dedica à tarefa.

  • Baixo: tarefas rotineiras, como extrair fatos ou fazer pequenas edições.

  • Médio: trabalhos que exigem discernimento, como planejar um recurso ou comparar opções.

  • Alto: depuração difícil, análise aprofundada ou revisão cuidadosa.

  • Extra alto / Max: teste essas opções, quando disponíveis, se o nível Alto não for suficiente. Mantenha-as apenas se a melhoria justificar o tempo e o custo adicionais.

Na API, você pode alterar o esforço de raciocínio durante a conversa⁠(abre em uma nova janela) sem invalidar o cache.

No Codex, comece com o nível de raciocínio padrão do modelo. Depois, reduza-o para tarefas mais simples ou aumente-o para análises mais profundas.

• Velocidade:

  • Na API, use o modo Fast⁠(abre em uma nova janela) quando o tempo de resposta for importante, como em aplicativos de chat ou ferramentas de programação. Ele oferece tempos de resposta menores e mais consistentes, com custo por token maior que o processamento padrão.

  • No Codex e na API, use o Ultrafast⁠(abre em uma nova janela) quando respostas mais rápidas valerem o custo extra, como em iterações rápidas de programação. Ele acelera a geração de tokens independentemente do esforço de raciocínio. Disponível para o GPT‑6 Astra⁠(abre em uma nova janela).

Comece com uma tarefa clara: o resultado desejado, o público, o contexto e as restrições relevantes e os critérios de conclusão. Depois, revise estas quatro áreas, resumidas de Repensando habilidades e prompts para o GPT‑6 Astra⁠(abre em uma nova janela), para se aprofundar na atualização das suas instruções:

• Crie habilidades melhores: use descrições curtas e explícitas sobre quando executar cada habilidade, carregue detalhes de apoio só quando necessário e substitua receitas rígidas por orientações adequadas aos modelos da sua equipe.

• Atualize seu AGENTS.md: explique quando documentos e testes específicos são relevantes e autorize explicitamente fluxos rotineiros seguros, como executar testes locais com dados descartáveis e sem acesso à produção.

• Defina limites de decisão: indique quais ações podem ser realizadas de forma independente e quais exigem aprovação, substituindo regras genéricas de "sempre perguntar" por limites claros.

• Especifique como persistir até a conclusão: defina o que significa "concluído" — implementar a mudança, executá-la, inspecionar o resultado e corrigir falhas — e identifique as decisões que exigem sua revisão.

Para mais orientações, consulte as boas práticas de raciocínio⁠(abre em uma nova janela).

Seja trabalhando no Codex ou desenvolvendo com a API, especifique quais decisões o modelo pode tomar, quando deve pedir orientação e o que caracteriza uma resposta útil.

Dê ao modelo orientação suficiente para avançar sem fazer suposições sobre decisões importantes. ⁠(abre em uma nova janela)Diga quais escolhas ele pode fazer e quando deve pedir sua orientação⁠(abre em uma nova janela). Por exemplo, ele pode escolher como organizar um resumo, mas deve consultar você antes de mudar o escopo do projeto. ⁠(abre em uma nova janela)Descreva o que caracteriza uma resposta útil⁠(abre em uma nova janela): por exemplo, linguagem simples, detalhes técnicos adequados ao público e um breve resumo de entrega com o que mudou, o que foi verificado e o que ainda precisa de atenção.

Com a família de modelos GPT‑6, agora você pode realizar tarefas que duram horas ou dias. Use os recursos a seguir para gerenciar melhor os agentes em tarefas de longa duração.

Na API, use direcionamento, ferramentas assíncronas e trabalho em paralelo para manter as tarefas de longa duração em andamento.

• Atualize instruções durante a execução: o direcionamento durante o turno⁠(abre em uma nova janela) permite enviar uma correção pela API WebSocket de Responses⁠(abre em uma nova janela) enquanto o modelo trabalha. As atualizações entram em uma fila; elas não cancelam ferramentas em execução nem desfazem ações concluídas.

• Continue trabalhando enquanto uma ferramenta é executada: a chamada assíncrona de ferramentas⁠(abre em uma nova janela) permite que o modelo prossiga com trabalhos independentes enquanto seu aplicativo executa uma tarefa mais lenta, como testes. Seu aplicativo retorna o resultado quando ele estiver pronto. Aguarde esse resultado antes de iniciar trabalhos que dependam dele.

• Delegue subtarefas independentes: o GPT‑6.1 Sol oferece suporte a fluxos de trabalho multiagente na API Responses⁠(abre em uma nova janela). Ele pode atribuir trabalhos independentes a subagentes, como investigar diferentes partes de uma base de código, e reunir suas conclusões em uma resposta final. O recurso multiagente está em versão beta.

Tarefas de longa duração podem revelar decisões que você não teria necessariamente previsto no prompt inicial. Use esclarecimentos e direcionamento para manter o trabalho no rumo certo.

• Responda a perguntas conforme o trabalho avança: com o GPT‑6 Astra, o Codex pode pedir esclarecimentos enquanto trabalha⁠(abre em uma nova janela). Resolva as dúvidas que afetam a próxima etapa e especifique quais trabalhos independentes podem continuar enquanto você decide. Se for se ausentar, diga ao Codex quais tarefas podem continuar e quando ele deve pausar para aguardar sua resposta.

• Redirecione o trabalho quando os requisitos mudarem: oriente a tarefa em andamento⁠(abre em uma nova janela) com novas informações, explicando o que deve mudar e o que deve permanecer igual. Isso ajuda a evitar que se gaste mais tempo em uma abordagem que já não atende às suas necessidades.

O uso do computador⁠(abre em uma nova janela) permite que o GPT‑6 Astra, o GPT‑6.1 Sol e o GPT‑6 Luna interajam diretamente com sites e aplicativos de desktop, mesmo aqueles sem uma API. Por exemplo, você pode pedir ao modelo que investigue um bug, corrija o código e abra seu produto em um navegador para verificar se a correção funciona.

Escolha a forma mais simples e confiável de realizar cada etapa:

• Use uma API ou ferramenta conectada quando ela puder realizar o trabalho diretamente.

• Recorra ao uso do computador quando o modelo precisar ler uma tela, clicar em botões ou preencher um formulário para você.

Se estiver integrando o uso do computador ao seu aplicativo, forneça ao modelo uma ferramenta que execute código para controlar um navegador ou desktop. O Playwright funciona com navegadores⁠(abre em uma nova janela); o PyAutoGUI, com aplicativos de desktop.