Experimentar con modelos más potentes

Vamos a probar algunos de los distintos LLMs que ofrece OpenAI. Todos estos modelos tienen capacidades de razonamiento, pero para que las diferencias entre los modelos base se vean con mayor claridad, mantén el esfuerzo de razonamiento en 'none'.

En este ejercicio, puedes introducir cualquier prompt que quieras, pero intenta usar el mismo en cada paso para que la comparación sea más clara. Si te faltan ideas, puedes usar el que te proponemos.

Este ejercicio forma parte del curso

Trabajar con la API Responses de OpenAI

Ver curso

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Prompt gpt-5.4-nano with no reasoning
response = client.responses.create(
    ____="____",
    input='Write the same sentence in three tones: professional, sarcastic, and poetic. The sentence is: "The meeting could have been an email."',
  reasoning={"effort": "none"}
)

print(response.output_text)

Editar y ejecutar código

Este ejercicio forma parte del curso

Trabajar con la API Responses de OpenAI

IntermedioNivel de habilidad

4.9+

61 reviews

Empieza el curso gratis

¡Crear aplicaciones de IA nunca ha sido tan fácil con la API Responses! Aprende a diseñar prompts para modelos con una interfaz sencilla, las mejores prácticas para trabajar con modelos de razonamiento y cómo construir conversaciones de ida y vuelta con LLMs.

Exercise 1: La Responses API: la mejor aliada de cualquier desarrollador Exercise 2: Tu primera llamada a la Responses API Exercise 3: Añadir instrucciones al modelo Exercise 4: Extrayendo información de la respuesta Exercise 5: Domina los parámetros de respuesta Exercise 6: Experimentar con modelos más potentes

Ejercicio actual

Exercise 7: Razonar sobre el razonamiento Exercise 8: Encadenado de conversaciones Exercise 9: De un mensaje a otro Exercise 10: Habilitar conversaciones de chat

Los LLMs son potentes, pero lo son aún más cuando introduces herramientas. Aprende a integrar la búsqueda web en tus sistemas con LLM sin claves ni credenciales de API adicionales. Descubre que las herramientas pueden ser, bueno… ¡prácticamente cualquier cosa! Crea tus propias herramientas para que los LLMs las llamen y así ir más allá de las capacidades base del modelo.

Exercise 1: Elementos de respuesta: los componentes básicos Exercise 2: Extraer los elementos de salida y su contenido Exercise 3: Usar Items para un manejo personalizado Exercise 4: Búsqueda web que simplemente funciona Exercise 5: Combinar LLMs y búsqueda web Exercise 6: Ganar confianza con las fuentes de los LLM Exercise 7: Herramientas con llamadas a funciones: definir la función Exercise 8: Flujo de trabajo de herramientas con llamadas a funciones Exercise 9: Definir una función para convertir zonas horarias Exercise 10: Herramientas con llamadas a funciones: el flujo de trabajo completo Exercise 11: Crear la definición de herramienta de OpenAI Exercise 12: Integración de herramientas con llamadas a funciones

Lleva tus sistemas con LLMs de una prueba de concepto a producción con tres paradigmas clave de diseño. Aprende a generar salidas estructuradas consistentes y fiables, como JSON, usando LLMs. También usarás eventos semánticos para transmitir actualizaciones a tus usuarios, creando experiencias interactivas y agradables. Por último, ve a multi‑modal y aprende a combinar texto e imágenes con los modelos GPT‑5 de OpenAI.

Exercise 1: Generar salidas estructuradas Exercise 2: ¡Resultados coherentes, siempre!Exercise 3: Anidar clases de Pydantic Exercise 4: Streaming con eventos semánticos Exercise 5: Hacer streaming de respuestas de OpenAI Exercise 6: Transmisión de eventos semánticos Exercise 7: Streaming con llamadas a funciones Exercise 8: Flexibilidad de entrada y multimodalidad Exercise 9: Entradas basadas en roles Exercise 10: Crear prompts con imágenes desde URL Exercise 11: Creación de prompts con archivos de imagen locales Exercise 12: ¡Enhorabuena!