OpenAI 模型

模型简介

OpenAI是全球领先的AI公司，其GPT系列模型在老张API平台上完全可用。本指南将详细介绍如何使用 GPT-5.5、GPT-5、GPT-4.1、o3/o4 等系列模型，帮助你充分发挥这些顶级AI模型的能力。

🚀 模型概览

GPT-5.5系列

最新旗舰模型，适合复杂专业任务

GPT-5 / GPT-4.1系列

稳定通用模型，覆盖生产和成本敏感场景

o3 / o4推理模型

专为复杂推理设计的模型

GPT-4o系列

经典多模态模型，适合兼容旧项目

GPT-5.5 系列

GPT-5.5 是 OpenAI 当前旗舰模型，适合复杂专业工作、代码生成、长上下文分析和高质量内容生产。

🔥 GPT-5.5 (推荐)

模型ID： gpt-5.5 特点：

🎯 最新旗舰模型，综合能力强
📚 支持 1M 上下文
🖼️ 支持图像理解和生成
🌍 优秀的多语言能力
💻 适合复杂代码和 Agent 任务

价格： 以控制台实时定价为准

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.laozhang.ai/v1"
)

# 基础文本对话
response = client.chat.completions.create(
    model="gpt-5.5",
    messages=[
        {"role": "system", "content": "你是一个专业的AI助手"},
        {"role": "user", "content": "请解释什么是量子计算"}
    ],
    temperature=0.7
)

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

🎯 GPT-5.5 图像理解

GPT-5.5 可以理解和分析图像内容：

response = client.chat.completions.create(
    model="gpt-5.5",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "请详细描述这张图片的内容，并分析其中的设计元素"
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/image.jpg",
                        "detail": "high"  # high/low/auto
                    }
                }
            ]
        }
    ],
    max_tokens=500
)

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

⚡ GPT-4o Mini (轻量快速)

模型ID： gpt-4o-mini 特点：

💰 适合成本敏感任务：输入仅 $0.15/1M tokens
🚀 响应速度更快
🎯 保持GPT-4o的核心能力
💡 适合大规模应用

价格： 以控制台实时定价为准

# GPT-4o Mini 特别适合日常对话和批量处理
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是一个友好的客服助手"},
        {"role": "user", "content": "我想了解你们的服务"}
    ],
    temperature=0.3
)

📅 GPT-4o 特定版本

模型ID： gpt-4o 使用特定日期版本确保结果的一致性：

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "user", "content": "请写一篇关于AI发展的文章"}
    ],
    temperature=0.5  # 较低温度确保一致性
)

GPT-5 / GPT-4.1 系列

稳定通用模型系列，适合生产环境、兼容旧项目和成本敏感任务。

🧠 GPT-5.5

模型ID： gpt-5.5 特点：

🚀 更快的响应速度
📚 支持 1M 上下文长度
💡 优秀的推理能力
🔧 适合复杂任务

价格： 以控制台实时定价为准

# 处理长文档分析
long_document = """
[这里是一篇很长的文档内容...]
"""

response = client.chat.completions.create(
    model="gpt-5.5",
    messages=[
        {
            "role": "system",
            "content": "你是一个专业的文档分析师，请仔细分析文档内容并提供深入见解"
        },
        {
            "role": "user",
            "content": f"请分析以下文档的核心观点和结论：\n\n{long_document}"
        }
    ],
    temperature=0.3
)

🏛️ GPT-4.1 经典版

模型ID： gpt-4.1 经典稳定模型，在创意写作和复杂推理方面表现优异：

# 创意写作任务
response = client.chat.completions.create(
    model="gpt-4.1",
    messages=[
        {
            "role": "system",
            "content": "你是一个富有创意的作家，擅长创作引人入胜的故事"
        },
        {
            "role": "user",
            "content": "请写一个关于时间旅行的科幻短故事，要求有意想不到的结局"
        }
    ],
    temperature=0.9,  # 高温度增加创意性
    max_tokens=1000
)

📖 GPT-4.1 Mini

模型ID： gpt-4.1-mini 更轻量的通用模型，适合低延迟和成本敏感场景：

# 处理超长代码审查
large_codebase = """
[这里是大量的代码内容...]
"""

response = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[
        {
            "role": "system",
            "content": "你是一个资深的代码审查专家"
        },
        {
            "role": "user",
            "content": f"请审查以下代码，指出潜在问题和改进建议：\n\n{large_codebase}"
        }
    ],
    temperature=0.2
)

o3 / o4 推理模型

o3 / o4 系列是 OpenAI 专为复杂推理任务设计的模型，在数学、编程、科学等领域表现卓越。

🎓 o3-pro

模型ID： o3-pro 特点：

🧮 强大的数学推理能力
🔬 科学问题解决能力
💻 复杂编程任务
🎯 多步骤逻辑推理

价格： 以控制台实时定价为准

推理模型可能有特殊限制：

不支持 temperature、top_p 等参数
不支持 system 角色消息
不支持流式输出
不支持函数调用

# 复杂数学问题
response = client.chat.completions.create(
    model="o3-pro",
    messages=[
        {
            "role": "user",
            "content": """
            解决这个数学问题：

            一个正整数n，满足以下条件：
            1. n是4位数
            2. n的各位数字之和等于20
            3. n是质数
            4. n的各位数字都不相同

            请找出所有满足条件的n，并说明解题思路。
            """
        }
    ]
)

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

🚀 o4-mini

模型ID： o4-mini 轻量版的推理模型，成本更低： 价格： 以控制台实时定价为准

# 中等复杂度的逻辑推理
response = client.chat.completions.create(
    model="o4-mini",
    messages=[
        {
            "role": "user",
            "content": """
            有A、B、C、D四个人，其中有一个人说谎，其他人说真话。

            A说：B是说谎者
            B说：C是说谎者
            C说：D是说谎者
            D说：A是说谎者

            请推理出谁是说谎者，并说明推理过程。
            """
        }
    ]
)

🔬 O3 (最新推理模型)

模型ID： o3 最新的推理模型，能力更强： 价格： 以控制台实时定价为准

# 超复杂科学问题
response = client.chat.completions.create(
    model="o3",
    messages=[
        {
            "role": "user",
            "content": """
            请分析以下化学反应的机理，并预测在不同条件下的产物：

            在催化剂存在下，化合物A (C₈H₁₀O₂) 与化合物B (C₄H₆O₃)
            在180°C和2大气压下反应。已知A含有苯环和酯基，B含有烯烃双键。

            请提供：
            1. 详细的反应机理
            2. 主要产物的结构
            3. 副反应的可能性
            4. 反应条件对产物的影响
            """
        }
    ]
)

GPT-4o 系列（经典多模态）

GPT-4o 系列适合需要兼容旧项目、多模态输入和快速响应的场景。新项目建议优先评估 gpt-5.5 或 gpt-4.1-mini。

⚡ GPT-4o Mini

模型ID： gpt-4o-mini 特点：

💰 适合成本敏感任务
🚀 响应速度快
📱 适合移动应用
🔄 适合高频调用

价格： 以控制台实时定价为准

# 高频简单任务，如翻译、摘要等
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {
            "role": "system",
            "content": "你是一个专业的翻译专家"
        },
        {
            "role": "user",
            "content": "请将以下英文翻译成中文：'The future of artificial intelligence looks promising.'"
        }
    ],
    temperature=0.3
)

使用技巧和最佳实践

1. 选择合适的模型

日常对话聊天

推荐： GPT-5.5、GPT-4o Mini

# 简单对话可先选轻量模型
model = "gpt-4o-mini"
temperature = 0.7      # 自然对话

代码编程任务

推荐： GPT-5.5、GPT-4.1

# 代码生成和调试
model = "gpt-5.5"      # 最新代码能力
temperature = 0.2      # 精确性优先
max_tokens = 2000      # 足够长的代码

复杂推理分析

推荐： o3-pro, o4-mini

# 数学、逻辑、科学问题
model = "o3-pro"   # 最强推理能力
# 注意：推理模型可能不支持temperature等参数

图像理解任务

推荐： GPT-5.5、GPT-4o

# 图像分析和理解
model = "gpt-5.5"      # 最新多模态能力
detail = "high"        # 高清晰度分析

2. 优化提示词

# 好的系统消息示例
system_prompt = """
你是一个专业的Python编程专家，具有以下特点：
1. 代码风格遵循PEP8规范
2. 注重代码可读性和性能
3. 提供详细的注释和说明
4. 给出多种解决方案对比

请用简洁明了的语言回答，并提供可执行的代码示例。
"""

3. 参数调优

Temperature 设置

0.0-0.3: 需要精确、一致的输出（代码、数据分析）
0.4-0.7: 平衡创造性和准确性（日常对话）
0.8-1.0: 需要创造性和多样性（创意写作）

# 不同任务的温度设置
code_generation = {"temperature": 0.2}
casual_chat = {"temperature": 0.7}
creative_writing = {"temperature": 0.9}

Max Tokens 控制

根据任务类型设置合适的输出长度：

token_limits = {
    "简短回答": 100,
    "详细解释": 500,
    "代码生成": 2000,
    "长文档": 4000
}

Stop 序列

使用停止序列控制输出格式：

# 生成列表时的停止序列
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[...],
    stop=["6.", "\n\n", "总结："]
)

4. 成本优化策略

渐进式模型选择

先用轻量模型测试，再用高级模型优化

# 先用GPT-4o Mini测试
# 再用GPT-4o完善

智能缓存

对重复请求进行缓存，避免重复计费

import hashlib
cache = {}

def cached_completion(prompt):
    key = hashlib.md5(prompt.encode()).hexdigest()
    if key in cache:
        return cache[key]
    # 调用API...

批量处理

将多个简单任务合并为一个请求

# 合并多个翻译任务
batch_prompt = """
请翻译以下句子：
1. Hello world
2. Good morning
3. Thank you
"""

精确控制长度

设置合适的max_tokens避免浪费

# 根据任务设置精确的token限制
max_tokens = estimate_needed_tokens(task_type)

错误处理和重试

import time
import random
from openai import OpenAI

def robust_completion(client, **kwargs):
    """带重试机制的API调用"""
    max_retries = 3
    base_delay = 1

    for attempt in range(max_retries):
        try:
            response = client.chat.completions.create(**kwargs)
            return response

        except Exception as e:
            if attempt == max_retries - 1:
                raise e

            # 指数退避重试
            delay = base_delay * (2 ** attempt) + random.uniform(0, 1)
            print(f"重试 {attempt + 1}/{max_retries}，等待 {delay:.2f} 秒...")
            time.sleep(delay)

# 使用示例
try:
    response = robust_completion(
        client,
        model="gpt-4o",
        messages=[{"role": "user", "content": "Hello!"}]
    )
except Exception as e:
    print(f"API调用失败: {e}")

流式响应处理

对于长文本生成，建议使用流式响应提升用户体验：

def stream_completion(client, **kwargs):
    """流式响应处理"""
    kwargs['stream'] = True

    try:
        stream = client.chat.completions.create(**kwargs)

        for chunk in stream:
            if chunk.choices[0].delta.content is not None:
                content = chunk.choices[0].delta.content
                print(content, end='', flush=True)
                yield content

    except Exception as e:
        print(f"流式响应错误: {e}")

# 使用示例
for chunk in stream_completion(
    client,
    model="gpt-4o",
    messages=[{"role": "user", "content": "写一篇关于AI的文章"}]
):
    # 实时处理每个文本块
    pass

探索Claude模型

了解Claude系列模型的独特优势和使用方法

查看完整模型列表

浏览老张API支持的所有200+AI模型

核心接口

模型指南

模型简介

🚀 模型概览

GPT-5.5系列

GPT-5 / GPT-4.1系列

o3 / o4推理模型

GPT-4o系列

GPT-5.5 系列

🔥 GPT-5.5 (推荐)

🎯 GPT-5.5 图像理解

⚡ GPT-4o Mini (轻量快速)

📅 GPT-4o 特定版本

GPT-5 / GPT-4.1 系列

🧠 GPT-5.5

🏛️ GPT-4.1 经典版

📖 GPT-4.1 Mini

o3 / o4 推理模型

🎓 o3-pro

🚀 o4-mini

🔬 O3 (最新推理模型)

GPT-4o 系列（经典多模态）

⚡ GPT-4o Mini

使用技巧和最佳实践

1. 选择合适的模型

2. 优化提示词

3. 参数调优

4. 成本优化策略

渐进式模型选择

智能缓存

批量处理

精确控制长度

错误处理和重试

流式响应处理

探索Claude模型

查看完整模型列表

核心接口

模型指南

Documentation Index

​模型简介

​🚀 模型概览

GPT-5.5系列

GPT-5 / GPT-4.1系列

o3 / o4推理模型

GPT-4o系列

​GPT-5.5 系列

​🔥 GPT-5.5 (推荐)

​🎯 GPT-5.5 图像理解

​⚡ GPT-4o Mini (轻量快速)

​📅 GPT-4o 特定版本

​GPT-5 / GPT-4.1 系列

​🧠 GPT-5.5

​🏛️ GPT-4.1 经典版

​📖 GPT-4.1 Mini

​o3 / o4 推理模型

​🎓 o3-pro

​🚀 o4-mini

​🔬 O3 (最新推理模型)

​GPT-4o 系列（经典多模态）

​⚡ GPT-4o Mini

​使用技巧和最佳实践

​1. 选择合适的模型

​2. 优化提示词

​3. 参数调优

​4. 成本优化策略

渐进式模型选择

智能缓存

批量处理

精确控制长度

​错误处理和重试

​流式响应处理

探索Claude模型

查看完整模型列表

模型简介

🚀 模型概览

GPT-5.5 系列

🔥 GPT-5.5 (推荐)

🎯 GPT-5.5 图像理解

⚡ GPT-4o Mini (轻量快速)

📅 GPT-4o 特定版本

GPT-5 / GPT-4.1 系列

🧠 GPT-5.5

🏛️ GPT-4.1 经典版

📖 GPT-4.1 Mini

o3 / o4 推理模型

🎓 o3-pro

🚀 o4-mini

🔬 O3 (最新推理模型)

GPT-4o 系列（经典多模态）

⚡ GPT-4o Mini

使用技巧和最佳实践

1. 选择合适的模型

2. 优化提示词

3. 参数调优

4. 成本优化策略

错误处理和重试

流式响应处理