GPT-4o mini Search Preview

Spesifikasi Teknikal bagi gpt-4o-mini-search-preview

Apakah gpt-4o-mini-search-preview?

gpt-4o-mini-search-preview ialah model multimodal padat dalam keluarga GPT-4o yang dibina untuk pengalaman berpusatkan carian dan aplikasi yang dipertingkatkan pengambilan semula. Ia sangat sesuai untuk sistem yang perlu mentafsir niat pengguna, menulis semula atau menguraikan kueri, mensintesis jawapan ringkas daripada maklumat yang diambil, serta menyokong aliran kerja berasaskan bukti melalui integrasi carian luaran.

Memandangkan ia menerima input teks dan imej, model ini boleh menyokong pengalaman penemuan dan bantuan yang lebih luas melangkaui carian teks biasa. Ia amat berguna dalam aplikasi di mana pemahaman kueri yang pantas, pemformatan respons yang terkawal, dan orkestrasi berasaskan alat lebih penting daripada penjanaan bentuk panjang. Contoh lazim termasuk kopilot carian berorientasikan pelanggan, pembantu pengetahuan dalaman, aliran penemuan produk, dan saluran paip pengambilan semula yang bergantung pada pengelasan kueri, bantuan pemeringkatan, serta penjanaan jawapan.

Ciri utama gpt-4o-mini-search-preview

• Penaakulan berorientasikan carian: Membantu mentafsir niat pengguna yang samar, merumus semula kueri, dan menyokong interaksi berfokuskan pengambilan semula.
• Sokongan input multimodal: Menerima input teks dan imej, membolehkan aliran kerja carian dan penemuan yang lebih kaya.
• Sintesis jawapan ringkas: Menghasilkan ringkasan pendek yang berguna dan respons terus yang sesuai untuk UX gaya carian.
• Kesediaan integrasi alat: Berfungsi dengan berkesan dengan pemanggilan fungsi dan alat luaran untuk carian, pelayaran, dan orkestrasi RAG.
• Serasi output berstruktur: Boleh menjana respons dalam format teratur seperti JSON untuk sistem hiliran.
• Tingkah laku pematuhan arahan: Menangani prompt terpandu dengan boleh dipercayai untuk tugasan pengelasan, perutean, pengekstrakan, dan pemformatan jawapan.
• Sokongan QA pangkalan pengetahuan: Sesuai dalam sistem yang mengambil dokumen terlebih dahulu dan kemudian meminta model menghasilkan jawapan berasaskan bukti.
• Penemuan e-dagang dan katalog: Berguna untuk mentafsir niat membeli-belah, memperhalus penapis, dan menambah baik interaksi carian produk.
• Bantuan pemeringkatan dan perutean: Boleh membantu mengelaskan kueri dan menyediakannya untuk pengambilan semula, pemeringkatan, atau logik percabangan aliran kerja.
• Profil penyebaran cekap: Sebagai model padat, ia sesuai untuk integrasi berskala yang peka kos sambil mengekalkan keupayaan multimodal dan kesedaran alat.

Cara mengakses dan mengintegrasikan gpt-4o-mini-search-preview

Langkah 1: Daftar untuk mendapatkan Kunci API

Untuk bermula, cipta akaun di CometAPI dan jana kunci API anda daripada papan pemuka. Selepas itu, simpan kunci tersebut dengan selamat dan gunakannya dalam pengepala Authorization untuk semua permintaan.

Langkah 2: Hantar Permintaan kepada API gpt-4o-mini-search-preview

Gunakan titik akhir CometAPI yang serasi dengan OpenAI dan nyatakan model sebagai gpt-4o-mini-search-preview.

curl https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_API_KEY" \
  -d '{
    "model": "gpt-4o-mini-search-preview",
    "messages": [
      {
        "role": "user",
        "content": "Summarize the main intent behind this search query: best running shoes for flat feet"
      }
    ]
  }'

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_COMETAPI_API_KEY",
    base_url="https://api.cometapi.com/v1"
)

response = client.chat.completions.create(
    model="gpt-4o-mini-search-preview",
    messages=[
        {
            "role": "user",
            "content": "Summarize the main intent behind this search query: best running shoes for flat feet"
        }
    ]
)

print(response.choices[0].message.content)

Langkah 3: Dapatkan dan Sahkan Keputusan

Hurai output model dalam aplikasi anda dan, apabila perlu, rantai bersama langkah pengambilan semula, pemeringkatan semula, atau pengesahan. Untuk sistem carian dan RAG dalam produksi, amalan yang baik ialah mengesahkan output terhadap sumber yang dipercayai dan merekod respons untuk pemantauan kualiti.