Markdown సంచిక

AI-translated from English; not yet reviewed by a fluent editor.

# ప్రొడక్షన్ API వర్క్‌ఫ్లోకు GPT-6 మోడల్‌ను ఎంచుకోండి

> GPT-6 Astra, GPT-6.1 Sol, Lunaలను పని ఆధారంగా ఎంచుకునే గైడ్. ప్రొడక్షన్‌కు ముందు నాణ్యత, జాప్యం, ఖర్చును అంచనా వేయడానికి తాజా API ధరలు, వర్క్‌షీట్ ఇందులో ఉన్నాయి.

By BIG CHANGE Editorial

Published: 2026-10-09T20:51:30.540Z
Updated: 2026-10-09T20:51:30.540Z
Canonical: https://bigchange.ai/blog/choose-gpt-6-model-production-api-workflow

![Conceptual charcoal illustration of blank task cards entering three equal, distinct channels that converge at an empty circular checkpoint.](https://bigchange.ai/api/media/file/gpt6-task-routing-hero-v3.png)
AI-generated conceptual editorial illustration by BIG CHANGE.

OpenAI 2026 అక్టోబర్ 2న [GPT-6 కుటుంబ గైడ్‌ను](https://openai.com/index/practical-guide-building-gpt-6/) ప్రచురించింది. మోడల్ ఎంపిక, సూచనలు, దీర్ఘకాలం నడిచే పనులు, డిప్లాయ్‌మెంట్ తనిఖీలను ఇది కలిపి వివరిస్తుంది. తన పనుల తనిఖీలో ఉత్తీర్ణమై, ఖర్చు మరియు ప్రతిస్పందన సమయ పరిమితులను పాటించే కలయికను సాఫ్ట్‌వేర్ బృందం ఇంకా గుర్తించాలి.

ఆ గైడ్‌లో ప్రస్తుతం GPT-6 Astra, GPT-6.1 Sol, GPT-6 Luna ఎంపికలు ఉన్నాయి. అక్టోబర్ 3న OpenAI API డాక్యుమెంటేషన్, ధరలను తనిఖీ చేశాం. కిందివి ఎంపిక పద్ధతి, వర్క్‌షీట్ ప్రతిపాదనలు మాత్రమే; మేము మోడళ్లను అమలు చేయలేదు లేదా ప్రొడక్షన్ పని కొలవలేదు.

## ముఖ్యమైన మార్పు

- **ఏమి మారింది:** GPT-6 కుటుంబాన్ని OpenAI ఇప్పుడు వేర్వేరు పనిభారాల ఎంపికల సమాహారంగా చూపుతోంది. సర్దుబాటు చేయగల తర్క స్థాయి, అనేక దశల పనుల కోసం సాధనాలను అందిస్తోంది. ప్రతి పనికీ ఒకే మోడల్ సెట్టింగ్‌ను ఉపయోగించకుండా, వర్క్‌ఫ్లోలోని ప్రతి భాగాన్ని బృందాలు అమర్చవచ్చు.
- **ఇది ఎందుకు ముఖ్యం:** సులభమైన వెలికితీత దశకు Luna సరిపోతుందా, కోడింగ్ లేదా పరిశోధన దశకు Sol అవసరమా, Astra అదనపు సామర్థ్యం దాని ధరకు తగిన ప్రయోజనం ఇస్తుందా అని డెవలపర్ కొలవగలరు. పూర్తి చేసిన పనులు, జాప్యం, సాధనాల వినియోగం, విఫల ప్రయత్నాలతో సహా మొత్తం వర్క్‌ఫ్లో ఖర్చుపై సమాధానం ఆధారపడి ఉంటుంది.
- **ఏమి గమనించాలి:** దీర్ఘకాలం నడిచే పనులకు స్పష్టమైన అప్పగింతలు, తనిఖీలు అవసరం. పని నడుస్తుండగా సూచనలను నవీకరించవచ్చు; కానీ తుది సమాధానాన్ని ఆమోదించే ముందు అసమకాలిక సాధన ఫలితాలు, అప్పగించిన పనులను ఇంకా సమన్వయం చేయాలి.

## పని ఆధారంగా ఎంచుకుని, మొత్తం వర్క్‌ఫ్లోను కొలవండి

నిజమైన పనులకు ప్రాతినిధ్యం వహించే నమూనా సమూహం, ప్రతి పనికి ఆమోద నియమంతో ప్రారంభించండి. ప్రస్తుత మోడల్ ప్రవర్తన, సాధనాల కాలింగ్, స్థితిని నిలుపుకునే పనులకు OpenAI [Responses APIని](https://developers.openai.com/api/docs/guides/deployment-checklist) ప్రస్తుత మోడల్ ప్రవర్తన, సాధనాల కాలింగ్, స్థితిని నిలుపుకునే పనులకు OpenAI సిఫార్సు చేస్తుంది. API ప్రాజెక్ట్, ఆధారాలు, బిల్లింగ్ యాక్సెస్, ఆ ప్రాజెక్ట్‌లో అందుబాటులో ఉన్న మోడల్ అవసరం. మోడల్ పేజీల్లో ఉచిత-స్థాయి మద్దతు పేర్కొనలేదు; వినియోగ స్థాయిని బట్టి రేటు పరిమితులు మారతాయి. రోల్‌అవుట్ పరిమాణాన్ని అంచనా వేయడానికి ముందు ఖాతా యాక్సెస్, వాస్తవ పరిమితులను తనిఖీ చేయండి.

| మోడల్‌కు అప్పగించిన పని | ప్రారంభ అభ్యర్థి | ప్రారంభ తర్క స్థాయి | ఎప్పుడు పెంచాలి లేదా మార్చాలి |
| --- | --- | --- | --- |
| స్పష్టమైన సమాధానమున్న పునరావృత వెలికితీత, వర్గీకరణ లేదా నిర్మిత సారాంశం | `gpt-6-luna` | సాధారణ పనికి Low; డిఫాల్ట్ Mediumతో పోల్చండి | లోపాల రేటు లేదా సమీక్ష సమయం బృంద పరిమితిని దాటితే |
| కోడింగ్, పరిశోధన, సాధనాల వినియోగం లేదా నిపుణుల నిర్ణయ దశ | `gpt-6.1-sol` | డిఫాల్ట్ Medium; కఠిన సందర్భాల్లో Highను పరీక్షించండి | సరైన ఇన్‌పుట్, సూచనలు ఉన్నా ప్రాతినిధ్య పనులు విఫలమైతే |
| నాణ్యతే కీలకమైన అత్యంత కఠిన తర్క లేదా సమీక్ష దశ | `gpt-6-astra` | అదే సందర్భాల్లో Medium, Highలను పోల్చండి | కొలిచిన మెరుగుదల అదనపు ఖర్చు, సమయాన్ని సమర్థిస్తేనే ఉంచండి |

ఈ పట్టిక OpenAI [మోడల్ మార్గదర్శకాలను](https://openai.com/index/practical-guide-building-gpt-6/) మరియు [మోడల్ పేజీలను](https://developers.openai.com/api/docs/models/compare) మూల్యాంకన ప్రారంభ బిందువులుగా మారుస్తుంది. API మోడల్ IDలు, మద్దతున్న effort సెట్టింగ్‌లను తనిఖీ చేయండి: Astra, GPT-6.1 Sol Low నుంచి Max వరకు మద్దతిస్తాయి; Luna Noneనూ మద్దతిస్తుంది. GPT-6.1 Solలో None, Minimal లేవు. High సరిపోకపోతే మద్దతున్న చోట Extra High లేదా Max ప్రయత్నించమని OpenAI చెబుతోంది. నాణ్యత, వ్యవధి, టోకెన్ వినియోగం కలిసి మారవచ్చు కాబట్టి ఒకే పని సమూహంపై effort సెట్టింగ్‌లను పోల్చండి.

Standard ప్రాసెసింగ్, 272,000 ఇన్‌పుట్ టోకెన్ల వరకు ఉన్న ప్రాంప్ట్‌లకు ప్రస్తుత ప్రతి మిలియన్ టోకెన్ టెక్స్ట్ రేట్లు ఇవి:

| మోడల్ | ఇన్‌పుట్ | క్యాష్ చేసిన ఇన్‌పుట్ | క్యాష్ రైట్ | అవుట్‌పుట్ |
| --- | --- | --- | --- | --- |
| GPT-6 Luna | $0.10 | $0.01 | $0.125 | $0.50 |
| GPT-6.1 Sol | $2.00 | $0.10 | $2.50 | $10.00 |
| GPT-6 Astra | $10.00 | $1.00 | $12.50 | $50.00 |

మూలాలు: [Luna](https://developers.openai.com/api/docs/models/gpt-6-luna), [GPT-6.1 Sol](https://developers.openai.com/api/docs/models/gpt-6.1-sol) మరియు [Astra](https://developers.openai.com/api/docs/models/gpt-6-astra) మోడల్ పేజీలు. ఇన్‌పుట్ 272,000 టోకెన్లు దాటితే, మొత్తం అభ్యర్థనకు అధిక రేట్లు వర్తిస్తాయి. ఇతర ప్రాసెసింగ్ మోడ్‌లు, అందుబాటులో ఉన్న ప్రాంతీయ ప్రాసెసింగ్, కొన్ని సాధనాలు బిల్లును మారుస్తాయి. మూడు పేజీలూ 1,050,000 టోకెన్ల సందర్భ విండో, గరిష్ఠంగా 128,000 అవుట్‌పుట్‌ను పేర్కొంటాయి. పెద్ద విండో సామర్థ్య పరిమితి మాత్రమే; అందుబాటులో ఉన్న ప్రతి పత్రాన్ని పంపాలనే కారణం కాదు.

పూర్తి పని మార్గానికి ఖర్చు అంచనా వేయండి: ఇన్‌పుట్, క్యాష్ చేసిన ఇన్‌పుట్, క్యాష్ రైట్లు, అవుట్‌పుట్, సాధన రుసుములు, మళ్లీ ప్రయత్నాలు, దీర్ఘ-సందర్భ అదనపు ఛార్జీ. ఆ మొత్తాన్ని ఒకే సమీక్ష నియమంలో ఆమోదించిన పనుల సంఖ్యతో భాగించండి. తర్వాత వినియోగదారికి కనిపించే దశలో, మొత్తం వర్క్‌ఫ్లోలో జాప్యాన్ని పోల్చండి. యూనిట్ ధరలతోనే విజయవంతమైన ఒక్క ఫలితానికి ఏ మార్గం చౌకో చెప్పలేం.

## సాధనాలు జోడించేముందు పని, అవుట్‌పుట్‌ను నిర్వచించండి

ప్రతి దశకు స్పష్టమైన ఇన్‌పుట్, ఉద్దేశించిన పాఠకుడు లేదా తదుపరి వినియోగదారు, అనుమతించిన మూలాలు, సాధనాలు, పరిమితులు, పూర్తయిందనే షరతు ఇవ్వండి. మోడల్ ఏ నిర్ణయాలు తీసుకోవచ్చో, ఏవికి వ్యక్తి ఆమోదం కావాలో కూడా చెప్పాలని OpenAI గైడ్ కోరుతోంది. ఆ సరిహద్దులపై ప్రాజెక్ట్ సూచనలు, నైపుణ్యాలు, ప్రాంప్ట్‌లు ఒకేలా ఉండేలా చూడండి.

యంత్రం చదివే అవుట్‌పుట్ కోసం ఫీల్డ్‌లు, చెల్లే విలువలను ముందుగానే నిర్వచించండి; పనికి సరిపోయే స్కీమా ఉంటే [Structured Outputs గైడ్](https://developers.openai.com/api/docs/guides/structured-outputs) ఉపయోగించండి. సరైన ఆకృతిని ఒక తనిఖీగా పరిగణించండి; స్కీమాకు సరిపోయే ఫీల్డ్ కూడా వాస్తవపరంగా తప్పు కావచ్చు. మనిషికి అప్పగించే ఫలితంలో ఫలితం, ఉపయోగించిన ఆధారాలు, చేసిన తనిఖీలు, పరిష్కరించని అంశాలు కోరండి. అసలు ఇన్‌పుట్‌లు, బృంద ఆమోద నియమంతో ఫలితాన్ని సమీక్షించండి.

ప్రాంప్ట్ క్యాషింగ్‌ను అంచనా వేస్తున్నప్పుడు పని వివరాలు మార్చేముందు స్థిర సూచనలు, ఉమ్మడి సూచన సామగ్రిని ముందు ఉంచండి. [prompt caching](https://developers.openai.com/api/docs/guides/prompt-caching) పునరావృత ఇన్‌పుట్ ఖర్చు తగ్గించవచ్చు; అయితే క్యాష్ రైట్లు, తర్వాతి సందర్భాన్ని కూడా అంచనాలో చేర్చాలి. BIG CHANGE యొక్క [మునుపటి prompt-cache గైడ్](https://bigchange.ai/blog/gpt-6-prompt-caching-agent-context-costs) క్యాష్ నిర్ధారణలను వివరంగా వివరిస్తుంది.

## దీర్ఘకాల పనులను పరిశీలించగలిగేలా ఉంచండి

అక్టోబర్ 2నాటి [గైడ్](https://openai.com/index/practical-guide-building-gpt-6/) పని మధ్యలో సూచనలు మార్చడం, అసమకాలిక సాధన కాల్స్, స్వతంత్ర పనుల కోసం సమాంతర ఉప-ఏజెంట్లను వివరిస్తుంది. Responses WebSocket API ద్వారా పంపిన సవరణ క్యూలోకి వెళ్తుంది; పూర్తయిన చర్యలను వెనక్కి తీయదు, ఇప్పటికే నడుస్తున్న సాధనాన్ని ఆపదు. అసంబంధ పని కొనసాగడానికి అసమకాలిక సాధనం వీలు కల్పిస్తుంది; కానీ ఆధారపడిన పని దాని ఫలితం వచ్చేవరకు వేచి ఉండాలి. Responses APIలో GPT-6.1 Sol బహుళ-ఏజెంట్ మద్దతు ప్రస్తుతం బీటా.

బహుళ-దశల పని కోసం టాస్క్ ID, ఎంచుకున్న మోడల్, effort, ప్రస్తుత దశ, సాధన కాల్ మరియు ఫలిత IDలు, ఆమోదాలు, తుది సమాధానానికి ఆధారం నిల్వ చేయండి. గడువు ముగింపు, సాధన కాల్ వైఫల్యం, సూచన మార్పు లేదా నకిలీ ఫలితం వచ్చినప్పుడు ఏమి చేయాలో ముందే నిర్ణయించండి. సందర్భం పెరిగితే, [compaction](https://developers.openai.com/api/docs/guides/compaction) ముందుకు తీసుకెళ్లే సమాచారాన్ని తగ్గించవచ్చు; కొనసాగిన పని నిజంగా ఏం నిలుపుకుందో పరిశీలించండి. ఒక అభ్యర్థనకు మించి కొనసాగే పనుల కోసం OpenAI [background mode](https://developers.openai.com/api/docs/guides/background) అనే డాక్యుమెంట్ చేసిన మరో ఎంపికను అందిస్తుంది. పని వ్యవధి, పునరుద్ధరణ అవసరాలకు తగిన నియంత్రణలను ఎంచుకోండి.

ఒక దశ చేయగలిగినప్పుడు నేరుగా API లేదా కనెక్ట్ చేసిన సాధనాన్ని, అవసరమైనప్పుడు స్క్రీన్ చర్యలను ఉపయోగించాలని OpenAI గైడ్ సూచిస్తుంది. BIG CHANGE యొక్క [Agents API బ్రౌజర్-పని గైడ్](https://bigchange.ai/blog/openai-agents-api-computer-use-browser-guide) కంప్యూటర్ వినియోగ ఇంటర్‌ఫేస్, పర్యవేక్షణ మార్గాన్ని వివరిస్తుంది.

## బృందం మళ్లీ అమలు చేయగల నిర్ణయ వర్క్‌షీట్

ప్రతి అభ్యర్థికి ఒకే సందర్భాలు, సమీక్ష నియమం వాడండి. ఈ వర్క్‌షీట్ ప్రతిపాదిత మూల్యాంకన పద్ధతి మాత్రమే; BIG CHANGE ఇందులో ఫలితాలు నమోదు చేయలేదు లేదా పరీక్షించలేదు.

| ప్రతి సందర్భం, అభ్యర్థికి నమోదు చేయాల్సింది | నమోదు |
| --- | --- |
| పని, ఆశించిన ఫలితం | నిజమైన ఇన్‌పుట్ ID, అవుట్‌పుట్ అవసరాలు, అనుమతించిన సాధనాలు, ఆమోద నియమం |
| కాన్ఫిగరేషన్ | API మోడల్ ID, effort, ప్రాసెసింగ్ మోడ్, ప్రాంప్ట్ వెర్షన్, స్కీమా లేదా అవుట్‌పుట్ ఒప్పందం |
| ఫలితం | ఆమోదం, తిరస్కరణ లేదా సమీక్ష అవసరం; వైఫల్య కారణం; సమీక్షకుడు |
| సమయం | మొత్తం వ్యవధి, వినియోగదారికి కనిపించే దశ వ్యవధి |
| వినియోగం, ఛార్జీ | ఇన్‌పుట్, క్యాష్ చేసిన ఇన్‌పుట్, క్యాష్ రైట్, అవుట్‌పుట్ టోకెన్‌లు; సాధన ఫీజులు; మళ్లీ ప్రయత్నాలు; దీర్ఘ-సందర్భ లేదా ప్రాంతీయ అదనపు ఛార్జీ |
| నిర్ణయం | ప్రయత్నించిన పనుల్లో ఆమోదించిన వాటి భాగం; ఆమోదించిన పని ఒక్కింటికి మొత్తం ఛార్జీ; పరిష్కరించని వైఫల్య రకాలు |

వాస్తవ వర్క్‌ఫ్లోలో కనిపించే సులభ, కఠిన సందర్భాలు, తప్పుగా ఏర్పడిన ఇన్‌పుట్‌లు, మధ్యలో ఆగిన సాధన దశలను చేర్చండి. మోడళ్లను పోల్చేటప్పుడు సందర్భాలను అలాగే ఉంచండి; ప్రాంప్ట్ లేదా సాధన అనుమతులు మార్చాక మళ్లీ అమలు చేయండి. ఆధారం లేకపోవడం, తప్పు ఫీల్డ్, సాధన లోపం, తప్పిన సూచన, మనిషి సరిచేయాల్సిన సమాధానం వంటి రకాలుగా వైఫల్యాలను పరిశీలించండి. ఒకే ఆమోద నియమం ఉపయోగకరమైన మెరుగుదల చూపిన తర్వాతే దశను మరో మోడల్‌కు మార్చండి. చౌక మోడల్‌కు ఎక్కువ పునఃపని అవసరమైతే ఆమోదిత పని ఒక్కింటికి ఖర్చు పెరగవచ్చు; నెమ్మదైన మోడల్ నేపథ్య దశకు సరిపోవచ్చు కానీ ఇంటరాక్టివ్ దశకు సరిపోకపోవచ్చు.

విడుదలకు ముందు OpenAI [డిప్లాయ్‌మెంట్ చెక్‌లిస్ట్](https://developers.openai.com/api/docs/guides/deployment-checklist)తో ప్రాజెక్ట్ వాస్తవ రేటు, ఖర్చు పరిమితులు, డేటా నియంత్రణలు, టైమ్‌అవుట్‌లు, రీట్రై ప్రవర్తన, పర్యవేక్షణ, మానవ ఆమోద సరిహద్దులను తనిఖీ చేయండి. విడుదల తర్వాత నమూనా సమీక్ష మార్గాన్ని కొనసాగించండి; మోడల్ అలియాస్, ప్రాంప్ట్, సాధనం లేదా పనిభారం మారితే వర్క్‌షీట్ మళ్లీ నడపండి. వచ్చిన పని డేటాతో రూటింగ్ నిర్ణయించండి.

## మూలాలు, మరింత చదవడానికి

- [OpenAI అక్టోబర్ 2 GPT-6 కుటుంబ గైడ్](https://openai.com/index/practical-guide-building-gpt-6/) మోడల్, effort, సూచనలు, దీర్ఘకాల వర్క్‌ఫ్లోలపై విక్రేత సిఫార్సులను అందిస్తుంది. BIG CHANGE పరీక్ష ఫలితాలను లేదా ఒక బృంద పనిభారానికి ఉత్తమ మోడల్‌ను నివేదించదు.
- [GPT-6 Luna](https://developers.openai.com/api/docs/models/gpt-6-luna), [GPT-6.1 Sol](https://developers.openai.com/api/docs/models/gpt-6.1-sol) మరియు [GPT-6 Astra](https://developers.openai.com/api/docs/models/gpt-6-astra) మోడల్ పేజీలు ఇక్కడ ఉపయోగించిన API IDలు, మద్దతున్న effort, సందర్భ పరిమితి, ధరలు, స్థాయి వారీ పరిమితులను తెలియజేస్తాయి. ఖాతా ప్రస్తుత యాక్సెస్, బిల్లింగ్‌ను ఇంకా తనిఖీ చేయాలి.
- [OpenAI API డిప్లాయ్‌మెంట్ చెక్‌లిస్ట్](https://developers.openai.com/api/docs/guides/deployment-checklist) ప్రాతినిధ్య పనులను అంచనా వేయడం, Responses APIని కాన్ఫిగర్ చేయడం, ప్రొడక్షన్ నియంత్రణలను ప్లాన్ చేయడాన్ని సమర్థిస్తుంది. పైనున్న వర్క్‌షీట్ BIG CHANGE ప్రతిపాదించిన పద్ధతి, విక్రేత బెంచ్‌మార్క్ కాదు.
- [Structured Outputs](https://developers.openai.com/api/docs/guides/structured-outputs), [compaction](https://developers.openai.com/api/docs/guides/compaction) మరియు [background mode](https://developers.openai.com/api/docs/guides/background) వర్క్‌ఫ్లోలో సూచించిన నిర్దిష్ట ఇంటర్‌ఫేస్‌లను వివరిస్తాయి.

## Sources

- [GPT-6 కుటుంబానికి మోడల్ గైడ్](https://openai.com/index/practical-guide-building-gpt-6/) — మోడల్ పాత్రలు, తర్క స్థాయి, సూచన-అవుట్‌పుట్ రూపకల్పన, క్యాషింగ్, మధ్యలో మార్గనిర్దేశం, అసమకాలిక కాల్‌లు, బీటా బహుళ-ఏజెంట్ మద్దతుపై విక్రేత ప్రధాన గైడ్. దాని సిఫార్సులు స్థానిక పనుల విజయం లేదా ఖర్చును నిర్ధారించవు.
- [GPT-6 Astra మోడల్ డాక్యుమెంటేషన్](https://developers.openai.com/api/docs/models/gpt-6-astra) — అధికారిక మోడల్ ID, మద్దతున్న effort, సందర్భం, గరిష్ఠ అవుట్‌పుట్, modality, Standard టోకెన్ రేట్లు, దీర్ఘ-సందర్భ ధర సరిహద్దు, వినియోగ స్థాయి పరిమితులను అందిస్తుంది. ధరలు మారవచ్చు.
- [GPT-6.1 Sol మోడల్ డాక్యుమెంటేషన్](https://developers.openai.com/api/docs/models/gpt-6.1-sol) — ప్రస్తుత 6.1 Sol ID, డిఫాల్ట్ మరియు మద్దతున్న తర్క స్థాయిలు, Responses API సాధన కాలింగ్, సందర్భం, అవుట్‌పుట్, ధరలు, ప్రాంతీయ/దీర్ఘ-సందర్భ నిబంధనలు, స్థాయి పరిమితులను నిర్ధారిస్తుంది.
- [GPT-6 Luna మోడల్ డాక్యుమెంటేషన్](https://developers.openai.com/api/docs/models/gpt-6-luna) — కేంద్రీకృత పనుల వినియోగం, None నుంచి Max వరకు effort, Responses సాధన మద్దతు, సందర్భ/అవుట్‌పుట్ పరిమితులు, Standard రేట్లు, వినియోగ-స్థాయి పరిమితులను నిర్ధారిస్తుంది.
- [API డిప్లాయ్‌మెంట్ చెక్‌లిస్ట్](https://developers.openai.com/api/docs/guides/deployment-checklist) — Responses, మోడల్ మరియు effort ఎంపిక, ప్రాతినిధ్య మూల్యాంకనం, సాధన/సందర్భ నియంత్రణలు, విశ్వసనీయత, పర్యవేక్షణపై OpenAI ప్రొడక్షన్ సిఫార్సులు. ప్రతిపాదిత వర్క్‌షీట్‌ను ఇది ధృవీకరించదు.
- [నిర్మిత మోడల్ అవుట్‌పుట్‌లు](https://developers.openai.com/api/docs/guides/structured-outputs) — అధికారిక అవుట్‌పుట్-స్కీమా ఇంటర్‌ఫేస్. సరిపడే నిర్మాణం వాస్తవ ఖచ్చితత్వాన్ని నిర్ధారించదు; ప్రత్యేక సమీక్ష అవసరమని వ్యాసం చెబుతుంది.
- [Prompt caching](https://developers.openai.com/api/docs/guides/prompt-caching) — అధికారిక క్యాష్ ప్రవర్తన, స్థిర prefix మార్గదర్శకాలను సంక్షిప్తంగా సూచిస్తుంది. వివరణాత్మక క్యాష్ నిర్ధారణ అంశం BIG CHANGE మునుపటి #29 కథనంలో ఉంది.
- [Compaction](https://developers.openai.com/api/docs/guides/compaction) — దీర్ఘ సంభాషణ సందర్భాన్ని తగ్గించే అధికారిక విధానం. సంపూర్ణంగా నిలిచిందని ఊహించకుండా, కొనసాగిన స్థితిని పరిశీలించాలని వ్యాసం సూచిస్తుంది.
- [Background mode](https://developers.openai.com/api/docs/guides/background) — దీర్ఘకాలం నడిచే Responses విధానాన్ని నమోదు చేస్తుంది; పనిని కొనసాగించే అందుబాటు ఎంపికగా మాత్రమే ఉపయోగించబడింది.