GPT-5 是 OpenAI 的最新模型，它拥有强大而有用的功能。该模型有多种参数和选项可供您选择，您必须正确选择这些参数和选项才能针对您的应用领域优化 GPT-5 的性能。

在本文中，我将深入探讨您在使用 GPT-5 时拥有的不同选项，并帮助您选择最佳设置，使其适合您的用例。我将讨论您可以使用的不同输入模式、GPT-5 具有的可用功能（例如工具和文件上传），以及您可以为模型设置的参数。

本文只是使用 GPT-5 的经验总结，讨论如何有效地使用该模型。

为什么应该使用 GPT-5

GPT-5 是一个非常强大的模型，您可以用于各种任务。例如，您可以将其用于聊天机器人助手或从文档中提取重要的元数据。然而，GPT-5 也有很多不同的选项和设置，您可以在 OpenAI 的 GPT-5 指南中阅读其中很多内容。我将讨论如何浏览所有这些选项并为您的用例最佳地利用 GPT-5。

多模态能力

GPT-5 是一个多模态模型，这意味着您可以输入文本、图像和音频，模型将输出文本。您还可以在输入中混合使用不同的模式，例如，输入图像和询问图像的提示，并接收响应。当然，输入文本是 LLM 所期望的，但输入图像和音频的能力非常强大。

VLM 非常强大，因为它们能够直接理解图像，这通常比对图像执行 OCR 然后理解提取的文本效果更好。同样的概念也适用于音频。例如，您可以直接发送音频剪辑，不仅可以分析剪辑中的单词，还可以分析音频剪辑中的音调、说话速度等。多模态理解只是让您更深入地了解正在分析的数据。

工具

工具是您可以使用的另一个强大功能。您可以定义模型在执行过程中可以使用的工具，这将 GPT-5 变成代理。一个简单工具的例子是 get_weather（） 函数：

def get_weather(city: str):
   return "Sunny"

然后，您可以将自定义工具以及函数的描述和参数提供给您的模型：

tools = [
    {
        "type": "function",
        "name": "get_weather",
        "description": "Get today's weather.",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {
                    "type": "string",
                    "description": "The city you want the weather for",
                },
            },
            "required": ["city"],
        },
    },
]

确保函数定义中包含详细的描述性信息非常重要，包括函数的描述和使用函数的参数。

您可以定义许多工具以提供给模型，但请务必记住 AI 工具定义的核心原则：

• 工具描述得很好
• 工具不重叠
• 让模型清楚何时使用该函数。歧义使工具使用无效

参数

使用 GPT-5 时，您应该注意三个主要参数：

• 推理努力
• 冗长
• 结构化输出

我现在将描述不同的参数以及如何选择它们。

推理努力

推理工作量是一个参数，您可以从以下参数中进行选择：

• 极小
• 低
• 中等
• 高

最小推理本质上使 GPT-5 成为非推理模型，应该用于需要快速响应的更简单的任务。例如，您可以在聊天应用程序中使用最少的推理工作，其中问题很容易回答，并且用户期望快速响应。

你的任务越困难，你应该使用越多的推理，但你应该记住使用更多推理的成本和延迟。推理算作输出令牌，在撰写本文时，GPT-5 为 10 美元/百万令牌。

我通常会从最低的推理努力开始对模型进行实验。如果我注意到模型难以给出高质量的响应，我会在推理层面上上升，首先从最小值 -> 低值开始。然后我继续测试模型，看看它的性能如何。您应该努力使用具有可接受质量的最低推理工作。

您可以使用以下命令设置推理工作量：

client = OpenAI()
request_params = {
        "model" = "gpt-5",
        "input" = messages,
        "reasoning": {"effort": "medium"}, # can be: minimal, low, medium, high
    }
client.responses.create(**request_params)

冗长

详细程度是另一个重要的可配置参数，您可以从以下选项中进行选择：

• 低
• 中等
• 高

Verbosity 设置模型应该输出多少个输出标记（这里不包括思维标记）。默认值为中等冗长度，OpenAI 还表示这本质上是用于其先前模型的设置。

假设您希望模型生成更长、更详细的响应，则应将详细程度设置为高。然而，我发现自己大多在低和中等冗长之间做出选择。

• 对于聊天应用程序，中等冗长是好的，因为非常简洁的模型可能会让用户觉得模型不太有用（许多用户更喜欢在响应中提供更多细节）。
• 但是，出于提取目的，如果您只想输出特定信息，例如文档中的日期，我将详细程度设置为低。这有助于确保模型仅响应我想要的输出（日期），而不提供额外的推理和上下文。

您可以使用以下命令设置详细程度：

client = OpenAI()
request_params = {
        "model" = "gpt-5",
        "input" = messages,
        "text" = {"verbosity": "medium"}, # can be: low, medium, high
    }
client.responses.create(**request_params)

结构化输出

结构化输出是一个强大的设置，可用于确保 GPT-5 以 JSON 格式响应。如果要提取特定数据点，而不提取其他文本，例如文档中的日期，这再次很有用。这保证了模型使用有效的 JSON 对象进行响应，然后您可以解析该对象。我所做的所有元数据提取都使用这种结构化输出，因为它对于确保一致性非常有用。您可以通过在 GPT-5 的请求参数中添加“text”键来使用结构化输出，如下所示。

client = OpenAI()
request_params = {
        "model" = "gpt-5",
        "input" = messages,
        "text" = {"format": {"type": "json_object"}},
    }
client.responses.create(**request_params)

确保在提示中提及“JSON”;否则，如果您使用的是结构化输出，则会收到错误。

文件上传

文件上传是 GPT-5 提供的另一个强大功能。我之前讨论了该模型的多模态能力。但是，在某些情况下，直接上传文档并让 OpenAI 解析文档很有用。例如，如果您尚未执行 OCR 或从文档中提取图像，则可以将文档直接上传到 OpenAI 并向其提问。根据经验，上传文件也很快，您通常会得到快速响应，这主要取决于您要求的工作量。

如果您需要文档的快速响应并且没有时间先使用 OCR，那么文件上传是您可以使用的一项强大功能。

GPT-5 的缺点

GPT-5 也有一些缺点。我在使用过程中注意到的主要缺点是，当您使用该模型时，OpenAI 不会共享思维令牌。您只能访问想法的摘要。

这在实时应用程序中非常严格，因为如果你想使用更高的推理努力（中或高），你无法在模型思考时将任何信息从 GPT-5 流式传输给用户，从而导致用户体验不佳。然后，选择使用较低的推理工作，这会导致输出质量较低。其他前沿模型提供商，例如 Anthropic 和 Gemini，都有可用的思维代币。

关于 GPT-5 的创造力不如其前辈的讨论很多，尽管这对于我正在开发的应用程序来说通常不是一个大问题，因为创造力通常不是 GPT-5 的 API 使用的要求。

结论

在本文中，我概述了 GPT-5 的不同参数和选项，以及如何最有效地利用该模型。如果使用得当，GPT-5 是一个非常强大的模型，尽管它自然也有一些缺点，从我的角度来看，主要缺点是 OpenAI 不共享推理令牌。每当处理 LLM 应用程序时，我总是建议从其他前沿模型提供商处获得备份模型。例如，这可能是将 GPT-5 作为主要模型，但如果失败，您可以回退到 Google 的 Gemini 2.5 Pro。