OpenAI应用开发快速入门

示例代码

注：将ppt后缀名改为zip后解压

python版本：3.12.4

OpenAI模型常用参数详解

1. max_tokens（最大token数）

定义：指令生成的回答中包含的最大token数。例如，如果设置为100，那么模型生成的回答中token数不会超过100个。

用法：用来控制生成内容的长度。特别是在需要简短回答或有限字数情况下，这个参数非常实用。

例子：

• 输入：你问模型一个问题：“请简单解释一下黑洞。”
• max_tokens = 50：模型会尽量在50个token内完成回答。

• 回应：“黑洞是一个宇宙中极高密度的区域，其引力强大到光也无法逃脱。它是由大质量恒星坍缩形成的。”

2. temperature（温度/文风的温度）

定义：控制文本生成的随机性。值范围通常在0到1之间。值越大，生成文本越随机；值越小，生成文本越确定。

用法：用来调整模型回答的创造性。高温度适合创造性任务；低温度适合需要确定性高的回答。

例子：

• 输入：你要写一首关于秋天的诗。
• temperature = 0.2（低温度，收敛回答）：

• 回应：“秋天的树叶飘舞在风中，金黄色的田野映入眼帘。”

• temperature = 0.8（高温度，更随机）：

• 回应：“秋天的旋律在微风中回荡，金黄的梦幻洒满田野。”

使用较低温度生成的文本将更加集中和保守，而使用较高温度生成的文本则会更具创意和变化。温度的范围是从 0 到 1。

• 温度 = 0：模型会产生最确定的输出，但可能显得重复或模板化。
• 0 < 温度 < 0.5：输出将倾向于较为稳定和保守，提供高度相关且一致的回应。
• 温度 = 0.5：产生的文本会有一个适中的平衡，既不过于随机也不过于保守。
• 0.5 < 温度 < 1：输出会更具创意和变化，但可能牺牲一些连贯性。
• 温度 = 1：模型会产生最大程度的创意和随机性，可能产生出奇不意的答案，但风险也更高。

3. n（生成次数）

定义：模型对每个输入生成的回答数量。设置为n就会生成n个独立的回答。

用法：用来获取多个回答，便于选择或综合。

例子：

• 输入：你问模型一个问题：“什么是人工智能？”
• n = 3：模型生成三个独立的回答。

• 回应1：“人工智能是模拟人类智能的计算机技术。”
• 回应2：“人工智能通过算法和大数据实现自动化任务。”
• 回应3：“人工智能涉及机器学习和神经网络等技术。”

4. top_p（控制采样）

定义：确定生成文本时考虑的token累计概率。值为0到1之间，常用来替代温度设置。top_p为0.9时，模型仅在最有可能的token集合（累计概率达到0.9）中进行选择。

用法：控制生成内容的多样性，top_p越小，生成内容越确定。

例子：

• 输入：描述一个梦想中的度假胜地。
• top_p = 0.9（较有创意）：

• 回应：“岛屿被蓝色的海水环绕，白色沙滩上点缀着茅草屋，椰子树随风摇曳。”

• top_p = 0.5（较确定）：

• 回应：“度假胜地是一座热带岛屿，有着美丽的海滩和清澈的海水，适合享受安静的时光。”

5. presence_penalty（出现惩罚/阻止调整）

定义：影响模型生成新主题内容的倾向。值范围通常在-2.0到2.0之间。较高的值鼓励模型生成前面未出现过的新内容。

用法：用来避免重复内容，增加多样性。

例子：

• 输入：重新生成描述夏天的句子。
• presence_penalty = 1.0（较高惩罚）：

• 回应：“夏天阳光充足，清凉的冰淇淋是人们的最爱。”

• presence_penalty = 0.0（无惩罚）：

• 回应：“夏天阳光灿烂，人们喜欢躺在沙滩上享受日光浴。”

6. frequency_penalty（频率惩罚、短语效应）

定义：影响模型是否重复使用某些词或短语。值范围通常在-2.0到2.0之间。较高的值会减少模型重复使用某些词或短语的频率。

用法：用来减少重复词语，提高输出的流畅度和多样性。

例子：

• 输入：描述你的一天。
• frequency_penalty = 1.5（较高惩罚）：

• 回应：“我的一天开始于晨跑，然后享用早餐并开始工作。午餐后，进行一些锻炼和阅读。”

• frequency_penalty = 0.0（无惩罚）：

• 回应：“我的一天从晨跑开始，之后吃早餐准备工作。午饭后，我会去健身房锻炼，结束后读书放松。”