For the complete documentation index, see llms.txt. Markdown versions of documentation pages are available by appending .md to the page URL.
Navegación principal

Sugerencias

Elige un modelo

Texto y código

Diseño de prompts

Razonamiento

Imágenes y video

Tiempo real y audio

Modelos especializados

API Dashboard
Probar ChatGPT

Modelos de razonamiento

Aprende cómo funcionan los modelos de razonamiento y cómo usarlos bien.

Los modelos de razonamiento usan tokens de razonamiento internos antes de producir una respuesta. Esto ayuda al modelo a planificar, usar herramientas de manera eficaz, examinar alternativas, resolver ambigüedades y resolver tareas más difíciles de varios pasos. Los modelos de razonamiento funcionan especialmente bien para resolver problemas complejos, programar, realizar razonamiento científico y ejecutar flujos de trabajo con agentes de varios pasos. También son los mejores modelos para Codex CLI, nuestro agente de programación ligero.

Comienza con gpt-6-astra para la mayoría de las cargas de trabajo de razonamiento. Para reducir el costo, considera gpt-5.6-terra, o gpt-5.6-luna para obtener el menor costo y la menor latencia. Si usas un modelo GPT-5.6, consulta modo de razonamiento para conocer su opción pro.

Los modelos de razonamiento funcionan mejor con la API Responses. Aunque la API para completar chats sigue siendo compatible, obtendrás mayor inteligencia y mejor rendimiento del modelo al usar Responses.

Primeros pasos con el razonamiento

Llama a la API Responses y especifica tu modelo de razonamiento y el esfuerzo de razonamiento:

Usar un modelo de razonamiento en la API Responses
from openai import OpenAI

client = OpenAI()

prompt = """
Write a bash script that takes a matrix represented as a string with
format '[1,2],[3,4],[5,6]' and prints the transpose in the same format.
"""

response = client.responses.create(
    model="gpt-6-astra",
    reasoning={"effort": "low"},
    input=[{"role": "user", "content": prompt}],
)

print(response.output_text)

Esfuerzo de razonamiento

El parámetro reasoning.effort orienta al modelo sobre cuánto debe pensar al realizar una tarea.

Los valores admitidos dependen del modelo y pueden incluir none, minimal, low, medium, high, xhigh y max. Un esfuerzo menor favorece la velocidad y un menor consumo de tokens, mientras que, con un esfuerzo mayor, el modelo piensa de forma más exhaustiva para ofrecer respuestas de mayor calidad. Los modelos también adaptan su razonamiento en los distintos niveles de esfuerzo: usan menos tokens para tareas sencillas y piensan más a fondo en las tareas complejas.

GPT-6 Astra no admite el esfuerzo de razonamiento none. Establecer reasoning.effort (Responses) o reasoning_effort (Chat Completions) en none devuelve HTTP 400.

Usa la API Responses para la llamada a funciones. Chat Completions no admite la llamada a funciones con GPT-6 Astra.

Los valores predeterminados también dependen del modelo; no son universales. gpt-5.5 usa el esfuerzo de razonamiento medium de forma predeterminada. Este es el mejor punto de partida para aprovechar el equilibrio entre calidad, confiabilidad y rendimiento de gpt-5.5.

EsfuerzoIdeal para
noneTareas en las que la latencia es crítica y que no se benefician del razonamiento ni de varias llamadas encadenadas a herramientas. Para los casos de uso sensibles a la latencia con gpt-5.5, recomendamos probar primero low y luego pasar a none si es necesario.

Los casos de uso comunes incluyen voz, recuperación rápida de información y clasificación.
lowRazonamiento eficiente con un aumento moderado de la latencia. Ideal para casos de uso que requieren el uso de herramientas, planificación, búsqueda o toma de decisiones en varios pasos, mientras se optimizan la velocidad y el costo.

Los casos de uso comunes incluyen análisis de datos, redacción, programación orientada a la ejecución y flujos de trabajo de atención al cliente o asistentes de chat.
mediumPara cuando la calidad y la confiabilidad son importantes y la tarea implica planificación, razonamiento complejo y criterio. Es la configuración predeterminada para la mayoría de las cargas de trabajo y un punto de buen equilibrio en la curva de Pareto de latencia, rendimiento y costo.

Los casos de uso comunes incluyen codificación con agentes, investigación, trabajo con hojas de cálculo y diapositivas, y delegación de trabajos de larga duración.
highRazonamiento exigente, depuración compleja, planificación profunda y tareas de alto valor en las que la calidad y la inteligencia importan más que la latencia. Se recomienda para flujos de trabajo complejos y tareas con agentes.

Los casos de uso comunes incluyen codificación con agentes, investigación de larga duración y trabajo del conocimiento. Según la complejidad de la tarea, evalúa tanto medium como high.
xhighInvestigación profunda, flujos de trabajo asíncronos y tareas con agentes que requieren ejecuciones prolongadas. Úsalo solo cuando tus evaluaciones muestren un beneficio claro que justifique la latencia y el costo adicionales.

Los casos de uso comunes incluyen revisiones de seguridad y de código, productividad empresarial, tareas de investigación más profundas y flujos de trabajo de programación exigentes.
maxRazonamiento máximo para tus tareas más complejas. Si actualmente usas xhigh, evalúa si max ofrece un mejor rendimiento

Para reducir el tiempo hasta el primer token visible en aplicaciones sensibles a la latencia, pide al modelo que genere un preámbulo breve antes de continuar con un razonamiento más profundo.

Algunos modelos solo admiten un subconjunto de estos valores, así que consulta la página del modelo correspondiente antes de elegir una configuración.

Modo de razonamiento

Los modelos GPT-5.6 admiten los modos de razonamiento standard y pro en la API Responses. standard es el predeterminado. Establece reasoning.mode en pro para tareas difíciles que requieren más trabajo del modelo y pueden tolerar una mayor latencia y un mayor consumo de tokens.

El modo de razonamiento y el esfuerzo de razonamiento son independientes. El modo selecciona la ejecución estándar o pro, mientras que reasoning.effort controla cuánto razonamiento aplica el modelo dentro de ese modo. Si omites reasoning.effort, GPT-5.6 usa medium de forma predeterminada en ambos modos.

Usar el modo de razonamiento pro
curl https://api.openai.com/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "gpt-5.6",
    "reasoning": {
      "mode": "pro",
      "effort": "medium"
    },
    "input": "Review this database migration plan and identify potential failure modes."
  }'

El modo Pro suma el trabajo que realiza el modelo para producir la respuesta final y factura esos tokens según las tarifas por token estándar del modelo seleccionado. En el modo Pro, el modelo realiza más trabajo que en el modo estándar, lo que aumenta el consumo de tokens y el costo. Los ID de modelos Pro existentes conservan su comportamiento y sus precios actuales.

Cómo funciona el razonamiento

Los modelos de razonamiento incorporan tokens de razonamiento además de los tokens de entrada y salida. Los modelos usan estos tokens de razonamiento para “pensar”, descomponiendo el prompt y considerando varios enfoques para generar una respuesta. Nuestros modelos de razonamiento, como gpt-5.5 y gpt-5.4, admiten el razonamiento intercalado, que permite al modelo generar tokens de salida visibles antes de razonar y entre etapas de razonamiento, así como pensar entre llamadas a herramientas.

En los modelos lanzados antes de GPT-5.6, el comportamiento predeterminado en una conversación de varios pasos es conservar los tokens de entrada y salida de cada paso sin incorporar el razonamiento de turnos anteriores en la siguiente generación. Los modelos GPT-5.6, en cambio, incorporan de forma predeterminada el razonamiento disponible de turnos anteriores. Usa reasoning.context para seleccionar cualquiera de los dos comportamientos en los modelos compatibles.

Tokens de razonamiento con el contexto del turno actual

Aunque los tokens de razonamiento no son visibles a través de la API, ocupan espacio en la ventana de contexto del modelo y se facturan como tokens de salida.

Controlar los costos

Para administrar los costos con los modelos de razonamiento, puedes limitar el número total de tokens que genera el modelo, incluidos los tokens de razonamiento, los tokens de salida visibles y los tokens de formato no visibles, mediante el parámetro max_output_tokens. Consulta conteos de tokens de salida para obtener detalles sobre cómo se reflejan los tokens generados en el uso y los límites de salida.

Administrar la ventana de contexto

Es importante asegurarse de que haya suficiente espacio en la ventana de contexto para los tokens de razonamiento al crear respuestas. Según la complejidad del problema, los modelos pueden generar desde unos cientos hasta decenas de miles de tokens de razonamiento. El número exacto de tokens de razonamiento utilizados se puede consultar en el objeto de uso del objeto de respuesta, en output_tokens_details:

{
  "usage": {
    "input_tokens": 75,
    "input_tokens_details": {
      "cached_tokens": 0
    },
    "output_tokens": 1186,
    "output_tokens_details": {
      "reasoning_tokens": 1024
    },
    "total_tokens": 1261
  }
}

Los tamaños de las ventanas de contexto se encuentran en la página de referencia de modelos y varían entre las versiones del modelo.

Asignar espacio para el razonamiento

Si los tokens generados alcanzan el límite de la ventana de contexto o el valor de max_output_tokens que estableciste, recibirás una respuesta con status establecido en incomplete y incomplete_details con reason establecido en max_output_tokens. Esto puede ocurrir antes de que se produzcan tokens de salida visibles, lo que significa que podrías incurrir en costos por tokens de entrada y de razonamiento sin recibir una respuesta visible.

Para evitarlo, asegúrate de que haya suficiente espacio en la ventana de contexto o aumenta el valor de max_output_tokens. OpenAI recomienda reservar al menos 25 000 tokens para el razonamiento y las salidas cuando comiences a experimentar con estos modelos. A medida que te familiarices con la cantidad de tokens de razonamiento que requieren tus prompts, podrás ajustar este margen según sea necesario.

Manejar respuestas incompletas
from openai import OpenAI

client = OpenAI()

prompt = """
Write a bash script that takes a matrix represented as a string with
format '[1,2],[3,4],[5,6]' and prints the transpose in the same format.
"""

response = client.responses.create(
    model="gpt-6-astra",
    reasoning={"effort": "medium"},
    input=[{"role": "user", "content": prompt}],
    max_output_tokens=300,
)

if (
    response.status == "incomplete"
    and response.incomplete_details.reason == "max_output_tokens"
):
    print("Ran out of tokens")
    if response.output_text:
        print("Partial output:", response.output_text)
    else:
        print("Ran out of tokens during reasoning")

Conservar el razonamiento entre llamadas

El estado de la conversación y el estado del razonamiento tienen propósitos distintos. Pasar mensajes entre llamadas le proporciona al modelo el historial visible de la conversación. En los modelos compatibles, el razonamiento persistente también permite al modelo incorporar elementos de razonamiento compatibles de turnos anteriores en su siguiente contexto.

El razonamiento persistente proporciona continuidad; no expone el razonamiento sin procesar del modelo. Los elementos de razonamiento permanecen opacos y la API no devuelve su texto de razonamiento. Configura reasoning.context para controlar qué elementos de razonamiento disponibles puede usar el modelo:

La familia de modelos GPT-5.6 admite all_turns y lo usa de forma predeterminada. Los modelos anteriores usan de forma predeterminada current_turn. Omite reasoning.context o establécelo en auto para usar el valor predeterminado del modelo seleccionado.

ValorComportamiento
autoUsa el valor predeterminado del modelo seleccionado. Omitir reasoning.context tiene el mismo efecto que auto.
current_turnHace que el razonamiento del turno activo esté disponible, pero no incorpora el razonamiento de turnos anteriores en la siguiente generación.
all_turnsIncorpora los elementos de razonamiento disponibles y compatibles de turnos anteriores en la siguiente generación. Los modelos GPT-5.6 admiten este valor.

El campo reasoning.context de la respuesta contiene el modo efectivo, ya sea current_turn o all_turns. Revisa este campo en cada respuesta para confirmar qué modo usó el modelo. La configuración no crea elementos de razonamiento que no estén disponibles previamente.

all_turns solo tiene efecto cuando la solicitud tiene acceso a elementos de respuestas anteriores. Usa previous_response_id, vincula la respuesta a una conversación o vuelve a enviar manualmente el historial completo de respuestas. En la primera solicitud, current_turn y all_turns se comportan de la misma manera porque no existe razonamiento previo.

El razonamiento persistente solo se puede reutilizar dentro de la misma familia de modelos. Por ejemplo, gpt-5.6-sol, gpt-5.6-terra y gpt-5.6-luna pueden reutilizar el razonamiento de los otros, pero el razonamiento no se transfiere entre las familias GPT-5.6 y GPT-5.5.

Cuando cambias de familia de modelos, la API omite el razonamiento incompatible del contexto del modelo, incluso cuando reasoning.context es all_turns.

Continuar el razonamiento con respuestas almacenadas

Usa previous_response_id para la integración con estado más sencilla:

Conservar el razonamiento con una respuesta anterior
from openai import OpenAI

client = OpenAI()
model = "gpt-5.6"

first = client.responses.create(
    model=model,
    input="Inspect this repository and identify the likely bug.",
    reasoning={"context": "current_turn"},
)

second = client.responses.create(
    model=model,
    previous_response_id=first.id,
    input="Now patch the bug and explain the change.",
    reasoning={"context": "all_turns"},
)

print(second.output_text)

Usa current_turn al reenviar elementos de respuestas anteriores que el modelo ya no necesita. Esos elementos de razonamiento pueden permanecer en el cuerpo de la solicitud a la API para mantener la continuidad, pero el servicio no los incorpora a la nueva generación. Esto puede reducir el contexto incorporado en los flujos de trabajo de larga duración.

Conservar el razonamiento sin respuestas almacenadas

Cuando creas una respuesta en modo sin estado, los elementos de razonamiento del arreglo output de la respuesta incluyen una propiedad encrypted_content de forma predeterminada. El modo sin estado se aplica cuando store es false o cuando tu organización usa retención cero de datos (ZDR). La API sigue aceptando el valor heredado reasoning.encrypted_content en include por compatibilidad, pero no lo requiere.

La siguiente solicitud devuelve contenido de razonamiento cifrado sin especificar include:

curl https://api.openai.com/v1/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "model": "gpt-6-astra",
    "store": false,
    "reasoning": {"effort": "medium"},
    "input": "What is the weather like today?",
    "tools": [ ... function config here ... ]
  }'

Los elementos de razonamiento del arreglo output incluirán una propiedad encrypted_content que contiene tokens de razonamiento cifrados que puedes pasar a llamadas futuras.

Para usar all_turns con store: false, conserva todos los elementos de salida, agrega el siguiente mensaje del usuario y reenvía el historial completo:

Conservar el razonamiento sin almacenar respuestas
from openai import OpenAI

client = OpenAI()
model = "gpt-5.6"

history = [
    {
        "role": "user",
        "content": "Inspect this repository and identify the likely bug.",
    }
]

first = client.responses.create(
    model=model,
    store=False,
    input=history,
    reasoning={"context": "current_turn"},
)

# Keep every output item, including encrypted reasoning and assistant phase.
history.extend(item.model_dump() for item in first.output)
history.append(
    {
        "role": "user",
        "content": "Now patch the bug and explain the change.",
    }
)

second = client.responses.create(
    model=model,
    store=False,
    input=history,
    reasoning={"context": "all_turns"},
)

print(second.output_text)

Mantener los elementos de razonamiento en el contexto

Cuando uses la llamada a funciones con un modelo de razonamiento en la API Responses, te recomendamos especialmente que reenvíes todos los elementos de razonamiento devueltos con la última llamada a una función (además de la salida de tu función). Si el modelo llama a varias funciones consecutivamente, debes reenviar todos los elementos de razonamiento, de llamada a funciones y de salida de llamadas a funciones desde el último mensaje user. Esto permite que el modelo continúe su proceso de razonamiento para producir mejores resultados con el uso más eficiente posible de tokens.

La forma más sencilla de hacerlo es pasar todos los elementos de razonamiento de una respuesta anterior a la siguiente. Nuestros sistemas ignorarán de forma inteligente los elementos de razonamiento que no sean relevantes para tus funciones y conservarán en el contexto solo los que sí lo sean. Puedes pasar elementos de razonamiento de respuestas anteriores mediante el parámetro previous_response_id o pasando manualmente todos los elementos de salida de una respuesta anterior a la entrada de una nueva.

En casos de uso avanzados en los que trunques y optimices partes de la ventana de contexto antes de pasarlas a la siguiente respuesta, solo asegúrate de pasar a esa respuesta, sin cambios, todos los elementos comprendidos entre el último mensaje del usuario y la salida de tu llamada a una función. Así, el modelo tendrá todo el contexto que necesita.

Consulta esta guía para obtener más información sobre la gestión manual del contexto.

Cambiar el razonamiento durante la conversación

Usa configuration_update para aumentar el esfuerzo de razonamiento en trabajos difíciles o reducirlo en solicitudes de seguimiento rutinarias. Agrega la actualización entre respuestas y deja sin cambios el valor de reasoning.effort definido en la solicitud. Esto conserva el prefijo original del prompt para el almacenamiento de prompts en caché.

Solo GPT-6 Astra (gpt-6-astra) admite actualizaciones de configuración en modo estándar de un solo agente. Estas solo cambian el esfuerzo de razonamiento.

Agrega el siguiente elemento antes del próximo mensaje del usuario en el arreglo input de una solicitud HTTP a Responses o de una solicitud response.create por WebSocket:

{
  "type": "configuration_update",
  "reasoning": {
    "effort": "high"
  }
}

Por ejemplo, si la conversación comienza con un esfuerzo de low definido en la solicitud, esta actualización selecciona high para la próxima respuesta y las siguientes hasta que otra actualización lo reemplace.

Aumentar el esfuerzo de razonamiento para una solicitud de seguimiento
from openai import OpenAI

client = OpenAI()
model = "gpt-6-astra"

response = client.responses.create(
    model=model,
    reasoning={"effort": "low"},
    input="Draft a database migration plan.",
    store=True,
)
print(response.output_text)

response = client.responses.create(
    model=model,
    previous_response_id=response.id,
    reasoning={"effort": "low"},
    input=[
        {
            "type": "configuration_update",
            "reasoning": {"effort": "high"},
        },
        {
            "role": "user",
            "content": "Analyze the failure modes and propose rollback steps.",
        },
    ],
    store=True,
)
print(response.output_text)

Conserva las actualizaciones con previous_response_id o reenvíalas en sus posiciones originales cuando gestiones manualmente el historial de la conversación. El campo reasoning.effort de la respuesta sigue indicando la configuración definida en la solicitud, no el esfuerzo seleccionado por la actualización.

No coloques dos elementos configuration_update uno inmediatamente después del otro en el historial de la conversación; la API rechaza las actualizaciones adyacentes.

No combines las actualizaciones de configuración con la compactación automática ni con el truncamiento automático. El punto de acceso independiente /responses/compact también rechaza los historiales que contienen estas actualizaciones.

Aun así, puedes compactar explícitamente el historial si incluyes un elemento compaction_trigger en una solicitud a /responses. Después de la compactación, agrega un nuevo configuration_update con el esfuerzo deseado antes del siguiente mensaje del usuario.

Los requisitos habituales del almacenamiento de prompts en caché siguen vigentes. Para enviar instrucciones del usuario mientras se genera una respuesta, usa la orientación durante el turno.

Resúmenes del razonamiento

Aunque no exponemos los tokens de razonamiento sin procesar que emite el modelo, puedes ver un resumen de su razonamiento mediante el parámetro summary. Consulta nuestra documentación de modelos para comprobar qué modelos de razonamiento admiten resúmenes.

Cada modelo admite distintas opciones de resumen del razonamiento. Por ejemplo, nuestro modelo de uso de la computadora admite el generador de resúmenes concise, mientras que o4-mini admite detailed. Para acceder al generador de resúmenes más detallado disponible para un modelo, establece el valor de este parámetro en auto. Actualmente, auto equivale a detailed en la mayoría de los modelos de razonamiento, pero en el futuro podría haber opciones más específicas.

El resumen del razonamiento forma parte del arreglo summary del elemento de salida reasoning. Esta salida no se incluirá a menos que elijas explícitamente incluir resúmenes del razonamiento.

El siguiente ejemplo muestra cómo realizar una solicitud a la API que incluya un resumen del razonamiento.

Incluir un resumen del razonamiento en la respuesta de la API
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6-astra",
    input="What is the capital of France?",
    reasoning={"effort": "low", "summary": "auto"},
)

print(response.output)

Esta solicitud a la API devolverá un arreglo de salida con un mensaje del asistente y un resumen del razonamiento del modelo al generar esa respuesta.

[
  {
    "id": "rs_6876cf02e0bc8192b74af0fb64b715ff06fa2fcced15a5ac",
    "type": "reasoning",
    "summary": [
      {
        "type": "summary_text",
        "text": "**Answering a simple question**\n\nI\u2019m looking at a straightforward question: the capital of France is Paris. It\u2019s a well-known fact, and I want to keep it brief and to the point. Paris is known for its history, art, and culture, so it might be nice to add just a hint of that charm. But mostly, I\u2019ll aim to focus on delivering a clear and direct answer, ensuring the user gets what they\u2019re looking for without any extra fluff."
      }
    ]
  },
  {
    "id": "msg_6876cf054f58819284ecc1058131305506fa2fcced15a5ac",
    "type": "message",
    "status": "completed",
    "content": [
      {
        "type": "output_text",
        "annotations": [],
        "logprobs": [],
        "text": "The capital of France is Paris."
      }
    ],
    "role": "assistant"
  }
]

Antes de usar generadores de resúmenes con nuestros modelos de razonamiento más recientes, es posible que debas completar la verificación de la organización para garantizar una implementación segura. Inicia la verificación en la página de configuración de la plataforma.

Parámetro phase

Para flujos de larga duración o que usan muchas herramientas con GPT-5.5 y GPT-5.4 en la API Responses, usa el campo phase del mensaje del asistente para evitar interrupciones prematuras y otros comportamientos incorrectos. phase es opcional en la API, pero OpenAI recomienda usarlo. Usa phase: "commentary" para las actualizaciones intermedias del asistente, como los preámbulos antes de las llamadas a herramientas, y phase: "final_answer" para la respuesta completa. No agregues phase a los mensajes del usuario. Usar previous_response_id suele ser la opción más sencilla porque se conserva el estado anterior del asistente. Si reenvías manualmente el historial del asistente, conserva cada valor original de phase. Si phase falta o se descarta, los preámbulos pueden tratarse como respuestas finales en esos flujos de trabajo. Para obtener orientación sobre prompts específica del modelo, consulta Diseño de prompts para GPT-5.5.

Conservar los valores de phase del asistente al reenviarlos

Conservar los valores de phase del asistente al reenviarlos
from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6-astra",
    input=[
        {
            "role": "assistant",
            "phase": "commentary",
            "content": "I’ll inspect the logs and then summarize root cause and remediation.",
        },
        {
            "role": "assistant",
            "phase": "final_answer",
            "content": "Root cause: cache invalidation race.",
        },
        {
            "role": "user",
            "content": "Great—now give me a rollout-safe fix plan.",
        },
    ],
)

print(response.output_text)

Consejos para el diseño de prompts

Ten en cuenta estas diferencias al escribir prompts para un modelo de razonamiento. Los modelos GPT-5 con capacidad de razonamiento suelen funcionar mejor cuando les das un objetivo claro, restricciones firmes y requisitos explícitos para la salida, sin indicar cada paso intermedio.

  • Indica al modelo la tarea, las restricciones y el formato de salida deseado.
  • Usa reasoning.effort como un parámetro de ajuste, no como la principal forma de recuperar la calidad.
  • Para los flujos de trabajo con agentes o que requieren mucha investigación, define cuándo se considera terminado el trabajo y cómo debe verificarlo el modelo.

Para obtener más información sobre las prácticas recomendadas al usar modelos de razonamiento, consulta esta guía.

Ejemplos de prompts

Los modelos de la serie o de OpenAI pueden implementar algoritmos complejos y generar código. Este prompt le pide a o1 que refactorice un componente de React según criterios específicos.

Refactorizar código
import OpenAI from "openai";

const openai = new OpenAI();

const prompt = `
Instructions:
- Given the React component below, change it so that nonfiction books have red
  text.
- Return only the code in your reply
- Do not include any additional formatting, such as markdown code blocks
- For formatting, use four space tabs, and do not allow any lines of code to
  exceed 80 columns

const books = [
  { title: 'Dune', category: 'fiction', id: 1 },
  { title: 'Frankenstein', category: 'fiction', id: 2 },
  { title: 'Moneyball', category: 'nonfiction', id: 3 },
];

export default function BookList() {
  const listItems = books.map(book =>
    <li>
      {book.title}
    </li>
  );

  return (
    <ul>{listItems}</ul>
  );
}
`.trim();

const response = await openai.responses.create({
  model: "gpt-6-astra",
  input: [
    {
      role: "user",
      content: prompt,
    },
  ],
});

console.log(response.output_text);

Ejemplos de casos de uso

Puedes encontrar ejemplos de modelos de razonamiento aplicados a casos de uso reales en el Cookbook.

Uso del razonamiento para validar datos

Evalúa un conjunto de datos médicos sintéticos para detectar discrepancias.
Uso del razonamiento para generar rutinas

Usa artículos del centro de ayuda para generar acciones que un agente podría realizar.