Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Controle o Esforço de Raciocínio, do ChatGPT à API

Aula 8 de 12 Atualizada a 5 de novembro de 2026 Intermediario
Nesta página
  1. Ajustar a Reflexão para Cada Tarefa
  2. No ChatGPT: Uma Definição por Mensagem
  3. Na API: Cinco Alavancas
  4. O Impacto nos Custos
  5. Três Estratégias de Otimização
  6. A Sua Vez
  7. Pontos-chave

Ajustar a Reflexão para Cada Tarefa

As lições 1 a 3 forneceram-lhe o mapa das definições e das diretrizes da OpenAI. Esta lição avança para os controlos: como ajustar o esforço durante o trabalho, gerir o seu custo e automatizá-lo numa aplicação. O princípio permanece inalterado: o nível de raciocínio é uma compensação, não um controlo de qualidade. Afeta simultaneamente quatro variáveis: o número de tokens de raciocínio, o tempo de resposta, a profundidade da análise e o consumo de quota ou custo.

No ChatGPT: Uma Definição por Mensagem

No Chat, o controlo deslizante Pensamento para o GPT-6 ajusta-se por mensagem: pode manter-se em Instantâneo para reformular, mudar para Elevado para análise e depois reduzi-lo novamente. Níveis mais elevados consomem quotas específicas do seu plano; quando atinge um limite, o ChatGPT pode continuar com outro modelo disponível e, sempre que possível, indica quando a quota é reposta. No Work e no Codex, o controlo de potência desempenha o mesmo papel, variando de Mais Rápido a Mais Inteligente, com Máximo e Ultra mantidos em reserva. A melhor prática em ambos os casos: comece com a definição padrão e aumente-a apenas se o resultado não for suficiente.

Na API: Cinco Alavancas

Para programadores, cinco parâmetros na API de Respostas colocam-no no controlo do raciocínio:

  • reasoning.effort define o nível, de none a max dependendo do modelo: o GPT-6 Astra e o GPT-6.1 Sol começam em low, enquanto o GPT-6.1 Terra e o GPT-6 Luna aceitam none.
  • reasoning.mode, standard por padrão ou pro, faz o modelo trabalhar mais sem alterar o nível de esforço; este trabalho extra é faturado à taxa padrão do modelo, mas consome mais tokens.
  • max_output_tokens limita o número total de tokens gerados, incluindo o raciocínio. Se o definir demasiado baixo, obterá respostas incompletas; a OpenAI recomenda reservar pelo menos 25.000 tokens quando começar a experimentar.
  • reasoning.summary solicita um resumo do processo de raciocínio, uma vez que o raciocínio bruto nunca é exposto.
  • configuration_update, um elemento inserido entre duas respostas, altera o nível de esforço no meio da conversa em modelos GPT-6 compatíveis sem tocar nas definições do pedido inicial: o prefixo do prompt permanece intacto e a cache do prompt continua a servir.
Seis alavancas sobre o raciocínio Seis blocos: reasoning.effort define o nível, de none a max dependendo do modelo; reasoning.mode escolhe standard ou pro; max_output_tokens limita os tokens, incluindo o raciocínio; reasoning.summary solicita um resumo; configuration_update altera o esforço sem quebrar a cache; no Chat, um nível por mensagem, dentro das quotas. CONTROLAR O ESFORÇO Seis alavancas sobre o raciocínio 1 reasoning.effort O nível, de none a max dependendo do modelo. 2 reasoning.mode standard ou pro, independente do esforço. 3 max_output_tokens O limite, incluindo o raciocínio. 4 reasoning.summary Um resumo, nunca o raciocínio bruto. 5 configuration_update Alterar o esforço sem quebrar a cache. 6 No Chat Um nível por mensagem, dentro das quotas. Escalada: comece no nível padrão, aumente apenas se o resultado não for suficiente.
Com base no guia de modelos de raciocínio da API da OpenAI e no Centro de Ajuda da OpenAI (novembro de 2026).

Eis o aspeto desse último elemento, inserido antes da próxima mensagem do utilizador:

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

Uma conversa iniciada em low muda assim para high para a próxima resposta e seguintes, até ocorrer outra atualização.

O Impacto nos Custos

Os tokens de raciocínio são faturados como tokens de saída e a sua contagem cresce rapidamente com o nível: de algumas centenas a dezenas de milhares para um problema difícil. A escolha do modelo importa tanto quanto: por token de saída, o GPT-6 Luna custa vinte vezes menos que o GPT-6.1 Sol, e o GPT-6 Astra custa cinco vezes mais. No ChatGPT, o custo traduz-se em quotas: o número de pedidos exigentes possíveis por período.

Três Estratégias de Otimização

A primeira é a escalada: não comece no topo. Inicie com o nível padrão, medium na API, ou inferior para uma tarefa trivial; se a resposta estiver incompleta ou incorreta, suba um nível; reserve xhigh, max, o modo pro, Max e Ultra para problemas que os justifiquem. Numa aplicação, configuration_update torna esta escalada possível numa única conversa.

A segunda é a triagem baseada em tarefas, que deve tornar um hábito: reformulação e classificação no nível mais baixo, redação e análises simples em low, planeamento e julgamento em medium, depuração e problemas difíceis em high, investigação de longo curso em xhigh e casos extremos em max.

A terceira é associar o modelo certo ao nível certo. O GPT-6.1 Sol em high ou superior, possivelmente em modo pro, lida com problemas exigentes; o GPT-6 Astra permanece para os mais difíceis; o GPT-6.1 Terra trata da escrita, imagem e orquestração de aplicações; o GPT-6 Luna, em low ou medium, absorve volume a menor custo.

A Sua Vez

Encontre o ponto de rendimentos decrescentes. Faça a seguinte pergunta três vezes, em três níveis (Instantâneo, Médio e depois Elevado no Chat, ou low, medium e depois high na API), e compare a profundidade da análise e, na API, os tokens de raciocínio consumidos.

“Uma empresa tem 5 projetos. Projeto A: 100k€, ROI 3,2x, risco médio. Projeto B: 250k€, ROI 1,8x, baixo risco. Projeto C: 50k€, ROI 5,1x, alto risco. Projeto D: 150k€, ROI 2,4x, risco médio. Projeto E: 75k€, ROI 4,0x, alto risco. O orçamento total é de 400k€. Quais projetos devem ser financiados para maximizar o ROI ajustado ao risco? Indique explicitamente a regra de ajuste utilizada.”

Identifique o nível no qual subir mais acrescenta pouco valor: essa é a sua definição para este tipo de pergunta.

Fontes oficiais: Modelos de raciocínio (API da OpenAI: effort, pro mode, max_output_tokens, summaries, configuration_update, billing) · Modelos (esforços aceites e preços por modelo) · GPT-6 e outros modelos no ChatGPT (níveis, quotas e fallback no Chat)

Pontos-chave

  • O esforço varia tokens, latência, profundidade e custo em conjunto: é uma compensação
  • No ChatGPT, o nível ajusta-se por mensagem, dentro das quotas do plano
  • Na API: reasoning.effort, reasoning.mode, max_output_tokens, reasoning.summary e configuration_update
  • Escalada, triagem de tarefas e a associação correta modelo-nível são as três alavancas para poupança
  • Alterar o esforço no meio da conversa com configuration_update preserva a cache do prompt