GPT-5: что делать, если модель ленится или перемудривает

О чём урок

Теперь, когда GPT-5 вышел в свет, мы поражены всеми невероятными вещами, которые разработчики создают с помощью этой модели. Мы также выявили ряд распространённых шаблонов устранения неполадок, которые помогут вам максимально эффективно использовать модель. Излишнее обдумывание проявляется, когда ответ верен, но общее время ответа увеличивается при выполнении тривиальных запросов. Модель продолжает исследовать варианты, задерживает первый вызов инструмента и описывает окольный путь, хотя был доступен простой ответ. Обычные виновники — это чрезмерные усилия по рассуждению, prompt без чёткого определения завершённости или противоречивые указания, которые приводят к бесконечному планированию или провоцируют лихорадочную перепроверку. Первый шаг к решению этой проблемы — оптимизировать параметры API. Установите reasoning.effort на "minimal" или "low" для рутинной работы, резервируя более значительные усилия для действительно сложных задач. Дайте ассистенту явное условие остановки и одну быструю самопроверку перед ответом. Рассмотрите возможность использования gpt-5-mini или nano для классификации запросов пользователей и их соответствующей маршрутизации с надлежащими настройками усилия рассуждения. Если сбор контекста является частью задачи, проинструктируйте модель о лучших практиках сбора необходимых данных для ответа. Следующий пример аналогичен, за исключением того, что он предписывает модели немедленно отвечать на вопросы, не требующие исследования или вызовов инструментов, вместо излишнего обдумывания. Работая с gpt-5, вы могли сталкиваться со сбоями, когда модель не уделяла достаточно времени рассуждению перед выдачей ответа. Следуя нашим лучшим практикам, есть 2 способа смягчить это: Использование более высокого reasoning_effort: параметр reasoning_effort контролирует, насколько много модель думает и насколько активно она вызывает инструменты. Попробуйте использовать low, если ранее вы использовали minimal, medium, если использовали low, и так далее. Поощрение модели к саморефлексии и оценке собственных ответов с помощью prompting. Например, просьба к модели составить внутреннюю рубрику и применить её к решению перед ответом оказалась на удивление эффективной для задач кодирования.

План урока

1. Излишнее обдумывание
2. Леность / недостаточное обдумывание
3. Излишняя уступчивость
4. Излишняя многословность
5. Задержка
6. Вызов слишком большого количества инструментов
7. Некорректный вызов инструмента
8. Общее устранение неполадок