ခြုံငုံသုံးသပ်ချက်
မော်ဒယ်၏ တုံ့ပြန်မှုအရှည်ကို ထိန်းချုပ်ခြင်းသည် အကြောင်းရင်းအများကြီးကြောင့် အသုံးဝင်သည်။ တိုကင်အလိုက် ငွေကျသဖြင့် ကုန်ကျစရိတ်ကို စီမံနိုင်စေသည်၊ latency/performance ကို တိုးတက်စေသည် (တုံ့ပြန်မှုတိုလျှင် ပိုမြန်စွာ ပြန်လာသည်)၊ ထို့အပြင် အလွန်ရှည်လျားခြင်း သို့မဟုတ် စကားများလွန်းသော output များကို ရှောင်ရှားကာ ဆက်စပ်မှုရှိစေသည်။
ဤအရာကို တိုကင် cap များ၊ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော နှင့် verbosity ဆက်တင်များ၊ ရှင်းလင်းသော ညွှန်ကြားချက်များ၊ ဥပမာများနှင့် stop sequences များကို အသုံးပြု၍ ရရှိနိုင်သည်။ နောက်ဆုံးပေါ်နှင့် ပြည့်စုံဆုံး အသေးစိတ်အချက်အလက်များအတွက် platform.openai.com ရှိ တရားဝင် API ကိုးကားချက် ကို အမြဲ ကိုးကားပါ။
အများဆုံး output အရှည်ကို သတ်မှတ်ပါ
Responses API
GPT-5 မော်ဒယ်များနှင့် o-series မော်ဒယ်အများစုအတွက် အသုံးပြုသည်။ မော်ဒယ် ထုတ်လုပ်မည့် တိုကင် အရေအတွက်ကို ကန့်သတ်ရန် max_output_tokens ကို အသုံးပြုပါ။ compaction_trigger တောင်းဆိုမှုများအတွက် max_output_tokens ကို ချန်ထားနိုင်သည် သို့မဟုတ် အနည်းဆုံး 20000 ထားပါ။ ၎င်းထက်ငယ်သော တန်ဖိုးများကို ပယ်ချပါသည်။ Responses API သည် multiple completions (n) ကို မပံ့ပိုးပါ။
စကားပြောပြီးဆုံးခြင်း API
legacy GPT-3.5, GPT-4o နှင့် တစ်ခါတစ်ရံ o-series အတွက် အသုံးပြုသည်။
o3 နှင့် o4-mini ကဲ့သို့သော ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော မော်ဒယ်များအတွက်
max_completion_tokens(max_tokens၏ alias) ကို အသုံးပြုပါအစောပိုင်း/ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော မဟုတ်သည့် မော်ဒယ်များအတွက်
max_tokensသည် ဆက်လက် အလုပ်လုပ်သည်stopနှင့်n(multiple completions) ကို ပံ့ပိုးသည်။
မှတ်ချက် - “အနည်းဆုံး တိုကင်” ဆက်တင် မရှိပါ။ အနည်းဆုံး အလျားလိုအပ်ပါက၊ သင့်တုံ့ပြန်ညွှန်ကြားချက်တွင် ဖော်ပြပါ။
မော်ဒယ်အုပ်စုအလိုက် တိုကင် ကန့်သတ်ချက်များ
နောက်ဆုံးပေါ် တိုကင် ကန့်သတ်ချက်များ၊ context အရွယ်အစားများနှင့် output cap များအတွက် သက်ဆိုင်ရာ မော်ဒယ် စာရွက်စာတမ်း ကို ကိုးကားပါ။
အမြန်ဥပမာများ
Responses API
{ "model": "gpt-5", "input": "တွေ့ရှိချက်များကို စကားလုံး ~80 ဖြင့် အကျဉ်းချုပ်ပါ။", "max_output_tokens": 120 }Chat Completions (ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော မော်ဒယ်)
{ "model": "o3-mini", "messages": [{"role": "user", "content": "Write five one-line options."}], "max_completion_tokens": 100 }GPT-5 မော်ဒယ်များအတွက် သီးသန့် ထိန်းချုပ်မှုများ- verbosity နှင့် reasoning.effort
ဤထိန်းချုပ်မှုများကို GPT-5 မော်ဒယ်များတွင်သာ အသုံးပြုနိုင်သည် (gpt-5.2, gpt-5.2-chat-latest, gpt-5.2 pro စသည်)။ O-series နှင့် legacy မော်ဒယ်များတွင် ၎င်းတို့ကို မပံ့ပိုးပါ။
`verbosity` သည် "low", "medium" (မူရင်း), သို့မဟုတ် "high" ကို လက်ခံသည်။ ၎င်းသည် အသေးစိတ်အဆင့်ကို သက်ရောက်စေသော်လည်း တင်းကျပ်သော ကန့်သတ်ချက်များကို မသက်ရောက်စေပါ။
{ "model": "gpt-5", "input": "PageRank ကို အခြေခံအဆင့်ဖြင့် ရှင်းပြပါ။", "text": { "verbosity": "low" }, "max_output_tokens": 200 }`reasoning.effort` သည် အဖြေမထုတ်ပေးမီ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော တိုကင် မည်မျှ ထုတ်လုပ်မည်ကို ထိန်းချုပ်သည်။ GPT-5.2 သည် none,low, medium, high,and xhigh ကို ပံ့ပိုးသည်။ gpt-5.2-pro သည် medium, high,and xhigh ကိုသာ ပံ့ပိုးသည်။ အစောပိုင်း ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော မော်ဒယ်များသည် low, medium, နှင့် high ကိုသာ ပံ့ပိုးသည်။
{ "model": "gpt-5", "input": "Liberty ရုပ်တုကို 1mm အလွှာတစ်လွှာဖြင့် ဖုံးအုပ်ရန် ရွှေ ဘယ်လောက်လိုမလဲ။", "reasoning": { "effort": "minimal" } }latency-sensitive အသုံးပြုမှုများအတွက် မော်ဒယ်ကို ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော မော်ဒယ် မဟုတ်သကဲ့သို့ လုပ်ဆောင်စေရန် `reasoning.effort` ကို none ဟု သတ်မှတ်နိုင်သည်။
တိကျသော ညွှန်ကြားချက်များ ပေးပါ
သင်လိုချင်သော အတိအကျ အရှည် သို့မဟုတ် ပုံစံကို တောင်းဆိုပါ။ ဥပမာများ-
“ရွေးချယ်စရာများကို အတိအကျ ငါးခု စာရင်းပြုပါ။”
“စကားလုံး 50 လုံး ပါသော အနှစ်ချုပ်တစ်ခု ရေးပါ။”
“တိုကင် 100 ထက် မပိုစေရ။ ပိုလိုအပ်ပါက ‘နေရာပိုလိုသည်’ ဟု ပြောပါ။”
အရှည်တစ်သမတ်တည်းရှိသော ဥပမာများကို အသုံးပြုပါ
သင်လိုချင်သော အရှည်နှင့် ကိုက်ညီသည့် အခေါက်ရေနည်းနည်းဖြင့် ပြုလုပ်ခြင်း ဥပမာများက မော်ဒယ်ကို ပုံစံအတိုင်း ဆက်လုပ်ရန် ကူညီပေးသည်။
မဟာဗျူဟာကျသော stop sequences များကို အသုံးပြုပါ
မော်ဒယ်က delimiter သို့မဟုတ် နံပါတ်စဉ်စာရင်း နယ်နိမိတ်သို့ ရောက်သောအခါ ထုတ်လုပ်မှုကို ရပ်တန့်ရန် stop ကို အသုံးပြုပါ။
{ "stop": ["
###", "6."] }ကိုယ်စားလှယ်ရလဒ် အများအပြား
Chat Completions:
nသည် call တစ်ကြိမ်ထဲတွင် completions အများအပြားကို ပြန်ပေးသည်။Responses API:
nကို မပံ့ပိုးပါ။ output တစ်ခုထက်ပိုလိုပါက call များ အများအပြား ပြုလုပ်ပါ။