Как использовать reasoning-модели OpenAI и проверить ответ на сложной задаче

const response = await client.responses.create({
  model: "gpt-5",
  reasoning: { effort: "medium" },
  input: [{
    role: "user",
    content: [{ type: "input_text", text: 
      "Выбери вариант поставки. Верни JSON: choice, assumptions, risks, checks. Не придумывай цену." }]
  }]
});
console.log(response.output_text);

• Более высокий effort может увеличить время и вычислительную стоимость, но не гарантирует лучший ответ на простой задаче.
• Скрытые рассуждения не нужны для аудита; сохраняйте входные факты, краткое объяснение и проверяемые действия.
• Для актуальных фактов подключайте поиск или собственный источник. Reasoning не добавляет модели знания после cutoff.
• Структурированный формат облегчает автоматическую проверку, но бизнес-решение всё равно требует правил и порогов.

Как внедрить

1. Разделите задачу на входные данные, допустимые действия, ограничения и критерий успеха.
2. Создайте эталонный набор с простыми, сложными и нерешаемыми примерами.
3. Сравните low/medium/high только на одной модели и одинаковом промпте.
4. Проверяйте факты инструментом, вычисления кодом, а формат JSON Schema.
5. Выберите минимальный effort, который устойчиво проходит ваш порог качества.

Как проверить результат

Для задачи выбора добавьте вариант с недостающей ценой. Хороший ответ должен вынести её в assumptions или запросить данные, а не выдумать. Для математики пересчитайте итог отдельной функцией. Считайте точность по всему датасету, а не по красивому примеру.

Ограничения

Reasoning-модель может уверенно ошибаться и подвержена плохим исходным данным. Значения параметров и поддержка инструментов зависят от модели. Текущую матрицу возможностей проверяйте в Models перед публикацией.

Чего не делать

• Не просите показать скрытую chain of thought.
• Не повышайте effort без измерения полезности.
• Не используйте reasoning вместо свежего источника данных.

FAQ