Familia de modelos GPT-4.1
Este representa un avance significativo respecto a GPT-4o en cuanto a capacidades de codificación, seguimiento de instrucciones y contexto extenso. En esta guía, recopilamos una serie de consejos, para aprovechar al maximo las capacidades de esta nueva familia de modelos. Han mejorado el modelo de familia GPT-4.1 hasta el punto de, proporcionar ejemplos de contexto, crear instrucciones lo más específicas y claras posible, e indicar la planificación con indicaciones para maximizar la inteligencia del modelo.
Índice de contenidos
Flujos de trabajo Agentic GPT-4.1
GPT-4.1 es un excelente lugar para crear flujos de trabajo de agencia. Proporciona una amplia gama de trayectorias de resolución de problemas de agencia, donde según los desarrolladores de OpenAI alcanzó un rendimiento en una agencia de resolver el 55% de los problemas.
Para aprovechar al máximo las capacidades de la agencia de GPT-4.1, se deben incluir tres tipos clave de recordatorios en todos los avisos de la agencia. Los siguientes avisos son específicamente para el flujo de trabajo de codificación, los cuales pueden modificarse fácilmente para casos de uso generales de la agencia.
- Persistencia: Esto garantiza que el modelo comprenda que está entrando en un turno con múltiples mensajes y evita que ceda el control al usuario prematuramente. Un ejemplo sería (Eres un agente: continúa hasta que la consulta del usuario se resuelva por completo, antes de finalizar tu turno y cederle el paso. Termina tu turno solo cuando estés seguro de que el problema está resuelto.)
- Llamada a herramientas: Esto anima al modelo a usarlas al máximo y reduce la probabilidad de alucinar o adivinar una respuesta. Un ejemplo sería (Si no está seguro acerca del contenido del archivo o la estructura del código base correspondiente a la solicitud del usuario, utilice sus herramientas para leer los archivos y recopilar la información relevante: NO adivine ni invente una respuesta.)
- Planificación: Si se desea, esto garantiza que el modelo planifique y reflexione explícitamente sobre cada llamada a herramienta en el texto, en lugar de completar la tarea encadenando una serie de llamadas a herramientas únicamente. Un ejemplo es (Debe planificar exhaustivamente antes de cada llamada a función y reflexionar exhaustivamente sobre los resultados de las llamadas anteriores. NO realice todo este proceso únicamente realizando llamadas a función, ya que esto puede afectar su capacidad para resolver el problema y pensar con perspicacia.)
Según experimentos realizados por los desarrolladores de OpenAI, observan un aumento del 2% en la tasa de aprobación verificada por SWE-bench al usar descripciones de herramientas analizadas por la API en comparación con la inyección manual de los esquemas en el mensaje del sistema y en su experimentación con la tarea agentic verificada de SWE-bench, inducir la planificación explícita aumentó la tasa de aprobación en un 4%. Recuerde que puede usar «Generar cualquier cosa» en el Área de Pruebas del Indicador de comandos para obtener un buen punto de partida para sus nuevas definiciones de herramientas.
Contexto largo GPT-4.1
GPT-4.1 tiene una ventana de contexto de entrada de 1 millón de token de alto rendimiento y es útil para una variedad de tareas de contexto largas, incluido el análisis de documentos estructurados, la reclasificación, la selección de información relevante mientras se ignora el contexto irrelevante y la realización de razonamiento de múltiples saltos utilizando el contexto.
Según los desarrolladores de OpenAI observaron un rendimiento excelente en evaluaciones hasta completar el millón de tokens, y han observado un rendimiento muy sólido en tareas complejas con una combinación de código relevante e irrelevante y otros documentos. Sin embargo, el rendimiento de un contexto extenso puede disminuir a medida que se requiere recuperar más elementos o realizar un razonamiento complejo que requiere conocer el estado de todo el contexto (como, por ejemplo, realizar una búsqueda en una escritura).
Instrucciones
Para conocimiento interno
– Utilice únicamente los documentos del contexto externo proporcionado para responder a la consulta del usuario. Si desconoce la respuesta según este contexto, debe responder «No tengo la información necesaria para responder eso», incluso si el usuario insiste en que responda la pregunta.
Para conocimiento interno y externo
– Por defecto, utilice el contexto externo proporcionado para responder a la consulta del usuario, pero si necesita otros conocimientos básicos y está seguro de la respuesta, puede usar algunos de sus propios conocimientos para ayudar a responder la pregunta.
Cadena de pensamiento GPT-4.1
Como se comentó anteriormente, GPT-4.1 no es un modelo de razonamiento, pero se le puede incitar al modelo a pensar paso a paso y es a lo que le llaman cadena de pensamiento. Puede ser una forma eficaz de descomponer los problemas en partes más manejables, resolverlos y mejorar la calidad general de la salida, con la contrapartida de un mayor coste y latencia asociados al uso de más tokens de salida. El modelo lo han entrenado para un buen rendimiento en el razonamiento agente y la resolución de problemas del mundo real, por lo que no debería requerir mucha incitación para un buen rendimiento.
Ejemplo de instrucción básica de cadena de pensamiento
Primero, piense detenidamente, paso a paso, en los documentos necesarios para responder la consulta. Luego, imprima el título y el ID de cada documento. Después, formatee los ID en una lista.
Ejemplo de instrucción más metódica de cadena de pensamiento
1. Análisis de la consulta: Analice la consulta hasta estar seguro de su posible pregunta. Considere el contexto proporcionado para aclarar cualquier información ambigua o confusa.
2. Análisis del contexto: Seleccione y analice cuidadosamente un conjunto amplio de documentos potencialmente relevantes. Optimice la recuperación: no importa si algunos son irrelevantes, pero los documentos correctos deben estar en esta lista; de lo contrario, su respuesta final será incorrecta. Pasos del análisis para cada documento:
a. Análisis: Un análisis de su posible relevancia para responder a la consulta.
b. Nivel de relevancia: [alto, medio, bajo, ninguno]
3. Síntesis: Resuma qué documentos son los más relevantes y por qué, incluyendo todos los documentos con un nivel de relevancia medio o superior.
Seguimiento de instrucciones GPT-4.1
GPT-4.1 muestra un excelente rendimiento en el seguimiento de instrucciones, se puede aprovechar para configurar y controlar con precisión los resultados para sus casos de uso específicos. Este modelo sigue las instrucciones de forma más literal, por lo que se deberá incluir especificaciones más explícitas sobre qué hacer o no hacer.
Flujo de trabajo recomendado
Este es un flujo de trabajo recomendado por los desrrolladores de OpenAI para desarrollar y depurar instrucciones en indicaciones:
- Comenzar con una sección general de «Reglas de respuesta» o «Instrucciones» con orientación de alto nivel y viñetas.
- Si se desea cambiar el comportamiento más especifico, se agrega una sección para especificar más detalles para esa categoría, como #Frases de Muestra.
- Si hay pasos específicos que desea que el modelo siga en su flujo de trabajo, agregue una lista ordenada e indique al modelo que siga estos pasos.
- Si el comportamiento aún no funciona como se esperaba:
- Verifique si hay instrucciones y ejemplos contradictorios, incompletos o incorrectos.
- Agregue ejemplos que demuestren el comportamiento deseado.
- Recomiendan empezar sin mayúsculas ni otros caracteres de incentivos, solo úsalos si son necesarios.
Consejos generales GPT-4.1
Estructura del mensaje
Como referencia, aquí hay un buen punto de partida para estructurar tus indicaciones.
Rol y Objetivo
Instrucciones
Subcategorías para instrucciones más detalladas
Pasos de Razonamiento
Formato de Salida
Ejemplos
Contexto
Instrucciones finales y estímulo para pensar paso a paso
En +COMUNICAWEB hemos querido aportar nuestro granito de arena a esta guía prompting de GPT-4.1 y añadir nuestra recomendación y la de los desarrolladores de OpenAI. En estos entornos digitales que están en constante evolución y cambio, adaptarse es la mejor manera para maximizar las capacidades del modelo.
