Découvrez les modèles
Astra
Intelligence de pointe
Problèmes aux contours flous, analyses approfondies et livrables ambitieux.
GPT-6.1 Sol
Optimisé et performant
Tâches complexes pour lesquelles vous devez aussi maîtriser les délais et les coûts.
GPT-6.1 Terra
Raisonnement visuel et utilisation de l’ordinateur
Workflows à l’écran, rédaction concise et corrections de code ciblées.
Luna
Intelligent et efficace
Tâches bien délimitées, triage et automatisations fréquentes
La disponibilité des modèles, les outils, les paramètres de raisonnement et les limites d’utilisation varient selon le produit et la version du modèle. Consultez la liste des modèles disponibles dans ChatGPT ou le catalogue des modèles de l’API.
Trouvez le modèle adapté à votre workflow
Sélectionnez votre domaine d’activité et la tâche à accomplir pour obtenir une recommandation.
Quand envisager GPT-6.1 Terra ?
Essayez GPT-6.1 Terra pour rédiger des textes concis à partir des éléments fournis, effectuer des tâches sur ordinateur dont le résultat attendu est bien défini ou apporter des corrections ciblées au code. Précisez les données de départ et les exigences, ainsi que la façon de vérifier le résultat, par exemple en contrôlant les enregistrements sauvegardés ou en exécutant des tests de non-régression.
Comparez Terra à GPT-6.1 Sol avec les mêmes données d’entrée et le même effort de raisonnement. Pour la rédaction, évaluez l’adéquation du texte au public visé, le ton et l’utilité des détails, ainsi que l’exactitude et la longueur. Pour l’utilisation de l’ordinateur, vérifiez le résultat enregistré et l’exactitude du compte rendu d’exécution.
Quand envisager GPT-6.1 Sol ?
Envisagez GPT-6.1 Sol pour les projets complexes où le coût entre en jeu, par exemple pour préparer une présentation destinée au conseil d’administration à partir de résultats financiers ou créer un site web à partir d’un descriptif produit. Comparez-le à Astra sur la même tâche pour évaluer le compromis entre qualité et coût.
Consultez la fiche du modèle dans le catalogue de l’API pour connaître ses caractéristiques et les tarifs de l’API, ou la page sur sa disponibilité dans Codex et ChatGPT Work pour savoir si votre abonnement ChatGPT vous y donne accès.
Comment choisir un modèle et un effort de raisonnement ?
Luna offre le meilleur rapport performances-coût. Astra est notre modèle le plus avancé et le plus puissant. Si le coût et la latence ne sont pas des contraintes, vous pouvez choisir Astra par défaut. Pour réduire les coûts ou la latence, suivez les conseils ci-dessous afin de choisir le modèle et l’effort de raisonnement adaptés à vos besoins.
Luna est notre modèle le plus efficient. Astra est notre modèle le plus avancé et le plus puissant. Si vous n’avez pas à tenir compte de votre consommation ni du temps nécessaire pour accomplir une tâche, vous pouvez choisir Astra par défaut. Pour optimiser votre consommation, suivez les conseils ci-dessous afin de choisir le modèle et l’effort de raisonnement adaptés à vos besoins.
Modèle et effort de raisonnement
-
Luna · Faible
Apporter des modifications précises, résoudre des problèmes bien délimités et effectuer des extractions de données simples.
-
Luna · Très élevé
Rassembler des informations à jour dans plusieurs applications, hiérarchiser les tâches et résoudre des problèmes aux contraintes bien définies.
-
GPT-6.1 Sol · Moyen
Réaliser des travaux techniques complexes et produire un ensemble cohérent de livrables que vous prévoyez de retravailler.
-
GPT-6.1 Sol · Très élevé
Produire des livrables soignés, concevoir des systèmes visuels qui fonctionnent ensemble et prendre des décisions à partir d’éléments contradictoires.
-
Astra · Faible
Rédiger des textes concis et adapter des contenus tout en préservant les faits et les nuances.
-
Astra · Moyen
Mener des projets ambitieux qui nécessitent une vue d’ensemble, des interactions fiables et des résultats complets.
-
Astra · Très élevé
Mener des analyses exigeantes et produire des livrables complexes qui répondent à des critères stricts.
Faites des essais
Prenez les conseils de cette page comme point de départ. Le meilleur moyen de trouver le modèle adapté à votre workflow est d’essayer plusieurs modèles et paramètres de raisonnement pour déterminer lesquels vous conviennent.
Commencez par vous poser les questions suivantes :
- À quelle fréquence votre workflow s’exécute-t-il ? Avec une automatisation qui s’exécute souvent, la consommation et les coûts augmentent plus vite qu’avec un projet ponctuel.
- Dans quel délai vous faut-il le résultat ? Si vous attendez le résultat d’une tâche pour poursuivre votre travail, vous aurez peut-être besoin d’un réglage plus rapide que pour une tâche qui s’exécute pendant la nuit.
- Comment utiliserez-vous le résultat ? Un brouillon que vous comptez relire peut demander moins de finitions qu’un document que vous diffuserez à l’extérieur.
- Quelle importance accordez-vous à la qualité du résultat ? Selon votre cas d’usage ou votre secteur d’activité, vous pouvez privilégier un modèle plus puissant pour obtenir un résultat de meilleure qualité.
Si possible, faites vos essais avec les mêmes données d’entrée pour comparer les résultats. Retenez le réglage le moins exigeant qui répond à vos critères de qualité.
Définissez vos critères d’acceptation avant de comparer les modèles :
- Rédaction : vérifiez que le texte présente les faits requis avec les nuances nécessaires et que le ton convient au public visé. Lisez les deux versions avant de décider si la plus courte est la plus utile.
- Utilisation de l’ordinateur : rouvrez l’enregistrement ou la page concernés pour vérifier les modifications sauvegardées. Assurez-vous que le workflow a préservé les données sans rapport avec la tâche et comparez le compte rendu d’exécution au résultat réel.
- Code et interfaces : exécutez les tests de non-régression. Pour une application interactive, examinez également le rendu sur ordinateur et sur mobile.
Répétez la comparaison sur des tâches représentatives. Évaluez la qualité et mesurez le temps total nécessaire, en incluant le temps passé à vérifier ou à corriger le résultat. Faites ensuite varier l’effort de raisonnement en gardant le même modèle et les mêmes données d’entrée.