模型选择
为你的用例选择合适的模型
认识这些模型
Astra
最先进的智能
适合处理模糊问题、深度分析和具有挑战性的交付成果。
GPT-6.1 Sol
经过优化,性能出色
适合需要兼顾时间和成本的复杂任务。
GPT-6.1 Terra
视觉推理与计算机操作
适合基于屏幕的工作流、简洁写作和范围明确的代码修复。
Luna
智能且高效
范围明确的任务、初步分类处理和频繁执行的自动化任务
可用性、工具、推理设置和用量限制会因产品及 模型版本而异。请查看 ChatGPT 中可用的模型或 API 模型目录。
为你的工作流找到合适的模型
选择你的工作类型和任务,获取推荐。
何时考虑使用 GPT-6.1 Terra
对于根据所提供的材料进行的简洁写作、有明确预期结果的计算机操作任务,以及范围明确的代码修复,可以尝试 GPT-6.1 Terra。请提供清晰的输入、要求和结果验证方法,例如检查已保存的记录或运行回归测试。
使用相同的输入和推理强度,将它与 GPT-6.1 Sol 进行比较。对于写作,除了准确性和篇幅,还要评估受众适配度、行文风格和有用的细节。对于计算机操作,请检查已保存的结果以及完成报告的准确性。
何时考虑使用 GPT-6.1 Sol
对于需要考虑成本的复杂项目,可以考虑使用 GPT-6.1 Sol,例如 根据财务结果制作董事会演示文稿,或根据产品简介 构建网站。在同一任务上将它与 Astra 进行比较,以评估 质量与成本之间的权衡。
查看 API 模型页面,了解规格 和 API 定价;或查看 Codex 和 ChatGPT Work 的可用性, 了解如何通过你的 ChatGPT 套餐使用该模型。
如何理解模型和推理强度
Luna 是我们效率最高的模型,而 Astra 是我们技术最先进、能力最 强的模型。如果你无需考虑使用额度或完成任务所需的 时间,可以默认使用 Astra。若要优化使用额度,请参考下方 指南,根据需求选择模型和推理强度。
模型与推理强度
Luna · 低
细粒度编辑、范围明确的问题解决以及简单的数据提取。
Luna · 超高
在多个应用中查找当前上下文、确定工作优先级,以及解决约束明确的问题。
GPT-6.1 Sol · 中
复杂的技术工作,以及你预计会继续修改的相互配套的交付成果。
GPT-6.1 Sol · 超高
精良的交付成果、相互关联的视觉系统,以及基于相互矛盾的证据作出的决策。
Astra · 低
在保留事实和细微含义的同时,进行简洁写作和内容改编。
Astra · 中
需要广泛上下文、可靠交互和完整结果的高目标项目。
Astra · 超高
要求严苛的分析,以及具有精确要求的复杂交付成果。
尝试
将本页指南视为起点。为工作流找到合适模型的最佳方式, 是尝试不同的模型和推理设置,看看哪种最适合你。
首先考虑:
- 你的工作流多久运行一次? 与偶尔运行的项目相比,高频自动化会更快累积用量和成本。
- 你需要多快获得结果? 与整夜运行的任务相比,需要等待结果的任务可能需要 更快的设置。
- 你将如何使用输出? 供你审阅的草稿所需的完善程度,可能低于 要对外分享的内容。
- 结果质量有多重要? 具体取决于你的用例或 行业,你可能需要使用更强的模型来优先保证质量。
如果可以,请使用相同输入进行尝试以比较结果,并保留能够达到质量标准的最轻量设置。
比较模型之前,请先确定验收标准:
- 写作: 检查必需的事实、限定条件、受众和行文风格。审阅 两份输出后,再判断较短的那份是否更有用。
- 计算机操作: 重新打开受影响的记录或页面,验证已保存的更改, 确认工作流保留了无关数据,并将完成 报告与实际结果进行比较。
- 代码与界面: 运行回归测试。对于交互式应用, 还要检查桌面端和移动端的渲染结果。
在有代表性的任务上重复比较。同时衡量完成时间和质量,将审阅或修复结果所花的时间也计算在内。然后,保持模型和输入不变,调整推理强度。