至于颓废的来因，很大一部门是先前Sam Altman 的眩晕、瘫软吹得有些过了头。

　　但正在昨晚边看揭橥会边看API文档时，我就察觉仍然有很众值得考试的，乃至每性情子、每个新映现的参数，都值得细致钻探、践诺、用钱去挪用玩一玩。

　　可能坚信，这API 里的每一个新feature 都不会是KPI 驱动下放出来的。

　　好正在OpenAI 的很众文档都有个“Copy Page”的按钮能复制出完善的markdown实质，动作给LLM的prompt，随你若何问了就。

　　于是我就让AI 按我的哀求筛选、整饬和杰出了下，便利己方看，也乘隙分享出来算作条记了。

　　起初是三个模子的定位分歧，这能用于敏捷决意该用哪个模子，避免牛鼎烹鸡或者才华亏折白花。

　　简便来说，倘若你正在做Agent干系的繁复职业，比方自愿化代码审查、众办法决议体系，那么，gpt-5是首选。

　　倘若是做客服呆板人、实质天生这类需求平均本钱和效率的场景，gpt-5-mini很适应。

　　而看待大量量的文天职类、简便的数据提取职业，gpt-5-nano能以极低的本钱、极疾的速率实行职业。

　　你大概会念：倘若我的行使需求统治PDF、Excel这类文献，那是不是就没步骤省钱了？

　　当然不是，你截图或其他形式统治为图片或文本后再用啊！OpenAI自然也是如此做的。

　　举例来说：用AB（第一次挪用）、AC（第二次挪用）而不是BA（第一次挪用）、CA（第二次挪用），前者的第二次会掷中，掷中率是tokens_A / (tokens_A + tokens_C)，后者掷中率是0.

　　A 可能是：固定的体系提示词、few-shot、RAG 实质、上下文……

　　细致道理则是：闭于transformer 的QKV 估计……问AI 去吧，不是本文要点。

　　我现正在还只是tier 3，足够我常日用了倒是（原来我薅的免用度量也根基够用）。

　　三个模子的上下文长度完整相同：40万的上下文窗口，12.8万的最大输出。

　　reasoning.effort是GPT-5最需求闭怀的新参数，将直接影响模子的忖量深度和反应速率。

　　但倘若是正在做数学注明或繁复的营业逻辑了解，high级别会给出更牢靠的结果。

　　做正在线训导的同伴大概要留神，看待区别难度的标题，动态调理这个参数能正在用户体验和本钱之间找到最佳平均。

　　verbosity参数可能统制模子的话痨水准，这对优化用户体验和低浸本钱都很紧要。

　　这会比通过prompt engineering来统制输出长度要不变和可控得众。

　　之前的function calling正在这里，只可传个JSON，但现正在则可能直接传个纵情文本就可了，SQL盘问、Shell下令、摆设文献，乃至是整段代码都可能。

　　现正在可能用Lark语法界说一个庄敬的输出体例，模子就会确保输出吻合你的语法条例。

　　而Preambles效用让模子正在挪用用具前先疏解希图，这不光抬高了可疏解性，还能助助调试和审计。

　　这可能大大晋升体系可调优空间，不再两眼一摸黑，不知是bug，feature 仍然幻觉了。

　　迁徙时可能应用OpenAI供给的提示词优化用具，它能自愿按照GPT-5的性子调理提示词，省去洪量试错时代。

　　我大约试了下，好欠好用没测，prompt 的token 倒是变长了很众倍……

　　总的来说，GPT-5固然没有到达真正的AGI，但它正在API策画、参数统制、用具挪用等方面仍然下了不少时候，值得都试一试。

　　这些新性子供给了更严密的统制才华，用好了可能正在本钱、速率和效率之间找到最佳平均点。

　　其它，我还用AI 实行了全网的AI 资讯搜聚，并用AI 实行挑选、审核、翻译、总结后揭橥到《AGI Hunt》的及时AI 疾讯群中。

　　这是个唯有消息、没有心情的 AI 资讯消息流（不是引荐流、不卖课、不讲原理、不教你做人、只供给消息、希冀能为你减省少许时代）