Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A következtetési erőfeszítés szabályozása: a ChatGPT-től az API-ig

8. lecke 12 közül Frissítve 2026. november 5. Középhaladó
Ezen az oldalon
  1. A reflexió finomhangolása minden feladathoz
  2. A ChatGPT-ben: beállítás üzenetenként
  3. Az API-ban: öt kar
  4. A költségekre gyakorolt hatás
  5. Három optimalizálási stratégia
  6. Rajtatok a sor
  7. Főbb megállapítások

A reflexió finomhangolása minden feladathoz

Az 1–3. leckék bemutatták a beállítások térképét és az OpenAI irányelveit. Ez a lecke a vezérlőkre fókuszál: hogyan állítsd az erőfeszítést munka közben, hogyan kezeld a költségeket, és hogyan automatizáld ezt egy alkalmazáson belül. Az elv változatlan: a következtetési szint kompromisszum, nem pedig minőségszabályozó. Egyidejűleg négy változót befolyásol: a következtetési tokenek számát, a válaszidőt, az elemzés mélységét, valamint a kvótafelhasználást vagy költséget.

A ChatGPT-ben: beállítás üzenetenként

A Chat felületen a GPT-6 Gondolkodás csúszkája üzenetenként állítható: maradhattok az „Azonnali“ szinten átfogalmazáshoz, válthattok „Magas“ szintre elemzéshez, majd visszavehetitek. A magasabb szintek a csomagotokhoz tartozó specifikus kvótákat merítik; ha eléritek a limitet, a ChatGPT folytathatja egy másik elérhető modellel, és ahol lehetséges, jelzi a kvóta visszaállításának időpontját. A Work és a Codex felületeken a teljesítménycsúszka ugyan ezt a szerepet tölti be: a „Gyorsabb“ és az „Okosabb“ között mozog, míg a „Max“ és az „Ultra“ tartalékban marad. Mindkét esetben a legjobb gyakorlat: kezdjetek az alapértelmezett beállítással, és csak akkor növeljétek, ha az eredmény nem elegendő.

Az API-ban: öt kar

Fejlesztőként öt paraméter áll rendelkezésetekre a Responses API-ban a következtetés szabályozásához:

  • A reasoning.effort határozza meg a szintet, modelltől függően a none és a max között: a GPT-6 Astra és a GPT-6.1 Sol alapértelmezetten low szinten indul, míg a GPT-6.1 Terra és a GPT-6 Luna elfogadja a none értéket is.
  • A reasoning.mode, amely alapértelmezetten standard vagy pro, arra készteti a modellt, hogy keményebben dolgozzon az erőfeszítési szint változtatása nélkül; ez a többletmunka a modell szokásos díjazása szerint számlázódik, de több tokent fogyaszt.
  • A max_output_tokens korlátozza a generált tokenek teljes számát, beleértve a következtetést is. Ha túl alacsonyra állítjátok, hiányos válaszokat kaptok; az OpenAI azt javasolja, hogy kísérletezéskor legalább 25 000 tokent tartsatok tartalékban.
  • A reasoning.summary kéri a következtetési folyamat összefoglalását, mivel a nyers következtetés soha nem válik láthatóvá.
  • A configuration_update egy két válasz közé illesztett elem, amely kompatibilis GPT-6 modelleken beszélgetés közben módosítja az erőfeszítési szintet anélkül, hogy érintené a kezdeti kérés beállításait: a prompt előtag érintetlen marad, és a prompt gyorsítótár továbbra is szolgál.
Hat kar a következtetéshez Hat csempe: a reasoning.effort állítja be a szintet, modelltől függően a none-tól a max-ig; a reasoning.mode a standard vagy pro közül választ; a max_output_tokens korlátozza a tokeneket, beleértve a következtetést is; a reasoning.summary összefoglalót kér; a configuration_update módosítja az erőfeszítést a gyorsítótár megszakítása nélkül; a Chatben üzenetenként egy szint, a kvótákon belül. AZ ERŐFESZÍTÉS SZABÁLYOZÁSA Hat kar a következtetéshez 1 reasoning.effort A szint, a none-tól a max-ig, modelltől függően . 2 reasoning.mode standard vagy pro, függetlenül az erőfeszítéstől. 3 max_output_tokens A korlát, beleértve a következtetést is. 4 reasoning.summary Egy összefoglaló, soha nem a nyers következtetés. 5 configuration_update Az erőfeszítés módosítása a gyorsítótár megszakítása nélkül. 6 A Chatben Üzenetenként egy szint, a kvótákon belül. Eskáláció: kezdjetek az alapértelmezett szinttel, és csak akkor növeljétek, ha az eredmény nem elegendő.
Az OpenAI API Következtetési modellek útmutatója és az OpenAI Súgóközpont alapján (2026. november).

Íme, hogyan néz ki ez az utolsó elem, amikor a felhasználó következő üzenete előtt illesztitek be:

{
  "type": "configuration_update",
  "reasoning": { "effort": "high" }
}

Egy low szinten indított beszélgetés így a következő válaszra és az azt követőkre high szintre vált, amíg egy újabb frissítés nem történik.

A költségekre gyakorolt hatás

A következtetési tokeneket kimeneti tokenként számlázzák, és számuk a szinttel gyorsan nő: egy nehéz probléma esetén néhány százról több tízezerre is emelkedhet. A modellválasztás ugyanilyen fontos: kimeneti tokenenként a GPT-6 Luna hússzor olcsóbb, mint a GPT-6.1 Sol, míg a GPT-6 Astra ötször többe kerül. A ChatGPT-ben a költség kvótákban jelenik meg: ez határozza meg, hogy egy adott időszakban hány igényes kérést tehettek fel.

Három optimalizálási stratégia

Az első az eszkáláció: ne kezdjetek a csúcson. Induljatok az alapértelmezett szinttel (az API-ban ez medium), vagy alacsonyabbal triviális feladatoknál; ha a válasz hiányos vagy helytelen, lépjegyet egy szinttel feljebb; az xhigh, max, pro mód, Max és Ultra szinteket csak olyan problémákra tartsátok fenn, amelyek ezt indokolják. Egy alkalmazásban a configuration_update teszi lehetővé ezt az eskálációt egyetlen beszélgetésen belül.

A második a feladatalapú triázs, amit szokásotokká kell tennetek: átfogalmazás és osztályozás a legalacsonyabb szinten, vázlatkészítés és egyszerű elemzések low szinten, tervezés és ítélkezés medium szinten, hibakeresés és nehéz problémák high szinten, hosszú távú kutatás xhigh szinten, szélsőséges esetek pedig max szinten.

A harmadik stratégia a megfelelő modell párosítása a megfelelő szinttel. A GPT-6.1 Sol high vagy annál magasabb szinten, esetleg pro módban kezeli az igényes problémákat; a GPT-6 Astra a legnehezebb esetekre marad; a GPT-6.1 Terra a szövegírást, képfeldolgozást és alkalmazás-orchestrációt végzi; a GPT-6 Luna pedig low vagy medium szinten nagy volumenű feladatokat nyel el alacsonyabb költséggel.

Rajtatok a sor

Találjátok meg a csökkenő hozadék pontját. Tegyétek fel a következő kérdést háromszor, három különböző szinten (Chatben: Azonnali, Közepes, majd Magas; API-ban: low, medium, majd high), és hasonlítsátok össze az elemzés mélységét, valamint az API esetén az elhasznált következtetési tokenek számát.

„Egy vállalatnak 5 projektje van. A projekt: 100 ezer euró, ROI 3,2-szeres, közepes kockázat. B projekt: 250 ezer euró, ROI 1,8-szoros, alacsony kockázat. C projekt: 50 ezer euró, ROI 5,1-szeres, magas kockázat. D projekt: 150 ezer euró, ROI 2,4-szeres, közepes kockázat. E projekt: 75 ezer euró, ROI 4,0-szeres, magas kockázat. A teljes költségvetés 400 ezer euró. Mely projekteket kell finanszírozni a kockázathoz igazított ROI maximalizálása érdekében? Explicit módon fogalmazzátok meg az alkalmazott kiigazítási szabályt.”

Azonosítsátok azt a szintet, ahol a további növelés már alig ad hozzá értéket: ez lesz a beállításotok ehhez a kérdéstípushoz.

Hivatalos források: Következtetési modellek (OpenAI API: erőfeszítés, pro mód, max_output_tokens, összefoglalók, configuration_update, számlázás) · Modellek (elfogadott erőfeszítési szintek és modellek szerinti árazás) · GPT-6 és egyéb modellek a ChatGPT-ben (szintek, kvóták és tartalék megoldás a Chatben)

Főbb megállapítások

  • Az erőfeszítés egyszerre változtatja a tokeneket, a késleltetést, a mélységet és a költséget: ez egy kompromisszum
  • A ChatGPT-ben a szint üzenetenként állítható, a csomag kvótáin belül
  • Az API-ban: reasoning.effort, reasoning.mode, max_output_tokens, reasoning.summary és configuration_update
  • Az eskáláció, a feladatriázs és a megfelelő modell-szint párosítás a megtakarítás három karja
  • A configuration_update használatával beszélgetés közben módosítható az erőfeszítés anélkül, hogy a prompt gyorsítótár megszakadna