当前位置: 首页 > news >正文

【使用ChatGPT的API之前】OpenAI API提供的可用模型

文章目录

  • 一. ChatGPT基本概念
  • 二. OpenAI API提供的可用模型
    • 1. InstructGPT
    • 2. ChatGPT
    • 3. GPT-4
  • 三. 在OpenAI Playground中使用GPT模型-ing

在使用GPT-4和ChatGPT的API集成到Python应用程序之前,我们先了解ChatGPT的基本概念,与OpenAI API提供的可用模型。

 

一. ChatGPT基本概念

提示词(prompt)不仅适用于OpenAI API,而且是所有LLM的入口点

简单地说,提示词就是用户发送给模型的输入文本,用于指导模型执行特定任务。对于GPT-4和ChatGPT背后的模型,提示词具有聊天格式,输入消息和输出消息存储在列表中。

 

标记(token)是词或词的一部分

据粗略估计,100个标记大约相当于75个英语单词。对OpenAI模型的请求是根据所使用的标记数量来定价的,也就是说,调用API的成本取决于输入文本和输出文本的长度。

在这里插入图片描述

 

二. OpenAI API提供的可用模型

OpenAI提供了多个专为不同任务设计的模型,每个模型都有自己的功能和定价。

通过OpenAI API,你可以使用OpenAI开发的多个模型。这些模型可通过API作为服务使用,这意味着OpenAI在远程服务器上运行模型,开发人员只需向其发送查询请求即可。

需要注意的是,这些模型是专有的,你不能根据自己的需求直接修改模型的代码。但是正如后文所述,你可以通过OpenAI API在特定数据上微调其中的一些模型。

 

1. InstructGPT

这个模型系列可以处理许多单轮文本补全任务。

  • text-ada-001模型只能处理简单的文本补全任务,但它也是GPT-3系列中速度最快、价格最便宜的模型。
  • text-babbage-001模型和text-curie-001模型稍微强大一些,但也更昂贵。
  • text-davinci-003模型可以出色地执行所有文本补全任务,但它也是GPT-3系列中最昂贵的。

 

2. ChatGPT

ChatGPT背后的模型是gpt-3.5-turbo,其聊天格式旨在进行多轮对话。

当然它也可用于没有对话的单轮任务。

  • 在单轮任务中,gpt-3.5-turbo的性能与text-davinci-003相当。由于gpt-3.5-turbo的价格只有text-davinci-003的十分之一,而且两者性能相当,因此建议默认使用它来进行单轮任务。
  • gpt-3.5-turbo模型的上下文窗口大小约为4000个标记,这意味着它可以接收约4000个标记作为输入。

OpenAI还提供了另一个模型,名为gpt-3.5-turbo-16k。它具有与标准的gpt-3.5-turbo模型相同的功能,但上下文窗口大小是后者的4倍。

 

3. GPT-4

这是迄今为止OpenAI发布的最大的模型。由于在广泛的文本和图像多模态语料库上进行了训练,因此它精通许多领域。GPT-4能够准确地遵循复杂的自然语言指令并解决难题。它可用于聊天任务和单轮任务,并具有相当高的准确性。

OpenAI提供了两个GPT-4模型:

  • gpt-4的上下文窗口大小为8192个标记,
  • gpt-4-32k的上下文窗口大小为32768个标记。32768个标记大约相当于24576个英语单词,即大约40页的上下文。

开发人员通常希望LLM版本具有良好的稳定性和可见性,希望针对相同的输入给出相同的回答。为此,OpenAI提供了这些模型的静态快照版本。在我们撰写本书之时,上述模型最新的静态快照版本分别是gpt-3.5-turbo-0613、gpt-3.5-turbo-16k-0613、gpt-4-0613和gpt-4-32k-0613。

OpenAI已宣布在2024年提供GPT-3.5 Turbo和GPT-4的微调功能。

 

三. 在OpenAI Playground中使用GPT模型-ing

http://www.lryc.cn/news/345081.html

相关文章:

  • 【C语言】模拟实现深入了解:字符串函数
  • 钩子函数onMounted定义了太多访问MySQL的操作 导致数据库异常
  • Excel文件解析---超大Excel文件读写
  • TypeScript基础:类型系统介绍
  • 【Unity】Unity项目转抖音小游戏(一) 项目转换
  • element-ui 中修改loading加载样式
  • QT登录界面,(页面的切换)
  • 计算机毕业设计 | vue+springboot汽车销售管理系统(附源码)
  • 一款开源的原神工具箱,专为现代化 Windows 平台设计,旨在改善桌面端玩家的游戏体验
  • python日常消费数据占比分析总结年消费方向
  • MySQL变量的浮点数问题处理
  • MWeb Pro for Mac:功能强大的Markdown博客编辑器
  • 基于FPGA实现的HDMI TO MIPI扩展显示器方案
  • 2024年美国市场亚太游戏品牌数字广告洞察报告
  • DDD面试题:DDD聚合和表的对应关系是什么 ?(来自蚂蚁面试)
  • 【华为】路由策略小实验
  • docker安装elasticsearch:7.17.21
  • 10.Java对象内置结构
  • 【ITK配准】第十五期 基于运动算法的可变形配准样例
  • CSP-j 计算机硬件
  • Java中使用RediSearch进行高效数据检索
  • NASA数据集——全球土壤顶部 1 厘米土壤湿度的网格估算值25km分辨率
  • 翼支付——风控场景中图模型的范式变迁
  • Edge视频增强功能
  • C++ 概览并发
  • 04-19 周四 GitHub CI 方案设计
  • java日常选择题
  • 安卓串口通訊三
  • 嵌入式交叉编译:Unable to find arm_neon.h
  • Linux下工具tc详细讲解及限制IP和端口实例