モデルの選択
ユースケースに適したモデルを見つける
モデルの紹介
Astra
最先端の知能
曖昧な問題、深い分析、高度な成果物に適しています。
GPT-6.1 Sol
最適化された高性能モデル
時間とコストの管理も必要な複雑なタスク。
GPT-6.1 Terra
視覚的推論とコンピューター操作
画面上でのワークフロー、簡潔な文章作成、範囲を絞ったコード修正。
Luna
賢く効率的
範囲を絞ったタスク、トリアージ、頻繁に実行する自動化
利用可否、ツール、推論設定、使用量の上限は、製品やモデルのバージョンによって異なります。ChatGPT で利用可能なモデルまたはAPI モデルカタログを確認してください。
ワークフローに適したモデルを見つける
作業とタスクを選択して、おすすめを確認します。
GPT-6.1 Terra の利用を検討する場面
提供された資料を基にした簡潔な文章作成には、GPT-6.1 Terra をお試しください。目標が明確なコンピューター操作タスクや、範囲を絞ったコード修正にも適しています。明確な入力と要件に加え、保存されたレコードの確認や回帰テストの実行など、結果を検証する方法を提示してください。
同じ入力と推論の労力で GPT-6.1 Sol と比較してください。文章作成では、正確さと長さに加え、読者への適合性、文体、有用な詳細も評価します。コンピューター操作では、保存された結果と完了報告の正確さを確認してください。
GPT-6.1 Sol を検討する場面
決算情報から取締役会向けのプレゼンテーションを作成したり、 製品概要をもとにウェブサイトを構築したりするなど、コストを重視する複雑なプロジェクトでは、 GPT-6.1 Sol を検討してください。同じタスクで Astra と比較し、 品質とコストのトレードオフを評価します。
仕様と API の料金については API モデルのページを、 ChatGPT プランでのアクセスについては Codex と ChatGPT Work での提供状況をご覧ください。
モデルと推論エフォートの考え方
Luna は最も効率的なモデルで、Astra は最先端かつ最も高性能なモデルです。利用量やタスクの完了にかかる時間を気にする必要がなければ、Astra を標準として選べます。利用量を最適化するには、以下のガイドを参考に、ニーズに合ったモデルと推論の労力を選んでください。
モデルと推論の労力
Luna · 低
きめ細かな編集、範囲が明確な問題解決、簡単なデータ抽出。
Luna · 非常に高い
複数のアプリから最新のコンテキストを見つけ、作業に優先順位を付け、明確な制約のある問題を解決する作業。
GPT-6.1 Sol · 中
複雑な技術作業や、後で修正することを想定した相互に関連する成果物の作成。
GPT-6.1 Sol · 非常に高い
完成度の高い成果物、相互に連携するビジュアルシステム、矛盾する証拠に基づく意思決定。
Astra · 低
事実とニュアンスを維持した簡潔な文章作成とコンテンツの調整。
Astra · 中
幅広いコンテキスト、信頼性の高い操作、完全な結果が求められる意欲的なプロジェクト。
Astra · 非常に高い
厳密な要件を伴う難しい分析と複雑な成果物。
試してみる
このページのガイダンスを出発点としてお使いください。ワークフローに適したモデルを見つけるには、さまざまなモデルと推論設定を試して、どれが効果的かを確認するのが一番です。
まず、次の点を検討してください。
- ワークフローはどのくらいの頻度で実行されますか? 頻繁に実行する自動化では、たまに行うプロジェクトよりも使用量とコストが早く積み上がります。
- どのくらい早く結果が必要ですか? 完了を待っているタスクには、夜間に実行するタスクより高速な設定が必要な場合があります。
- 出力をどのように使用しますか? 自分でレビューするための下書きなら、外部と共有するものほどの仕上がりは必要ない場合があります。
- 結果の品質はどの程度重要ですか? ユースケースや業界によっては、品質を重視するために、より高性能なモデルを使用したほうがよい場合があります。
可能であれば、同じ入力を使用して結果を比較し、品質基準を満たす最も軽量な設定を採用してください。
モデルを比較する前に、受け入れ基準を決めてください。
- 文章作成: 必要な事実、留保条件、読者、文体を確認します。短いほうが有用かどうかを判断する前に、両方の出力を確認してください。
- コンピューター操作: 対象のレコードやページを開き直して、変更が保存されていることを確認し、ワークフローで無関係なデータが保持されていることを確かめ、完了報告を実際の結果と比較します。
- コードとインターフェース: 回帰テストを実行します。インタラクティブなアプリケーションでは、デスクトップとモバイルでの表示結果も確認してください。
代表的なタスクで比較を繰り返してください。品質とともに、結果の確認や修正に費やした時間も含めて完了までの時間を測定します。その後、モデルと入力を固定したまま、推論の労力を変えてください。