02-04-01 — GPT (OpenAI): GPT-4, GPT-4o, o-series

Linha do tempo da família GPT

GPT-4 e GPT-4o: as diferenças que importam

A série "o": raciocínio estendido

Os modelos o1, o1-mini, o3 e o4-mini representam uma mudança de paradigma. Em vez de responder imediatamente, eles geram um "chain-of-thought interno" antes de dar a resposta final — um processo oculto de raciocínio que pode durar segundos ou minutos.

Isso os torna significativamente melhores em:

• Matemática e raciocínio lógico
• Código complexo e debugging
• Planejamento multi-step
• Problemas científicos/técnicos

O trade-off: mais lentos e mais caros que GPT-4o para tarefas simples.

A API: o que você precisa saber

from openai import OpenAI

client = OpenAI()  # usa OPENAI_API_KEY

# Chat Completions básico
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "Você é um assistente especializado em .NET."},
        {"role": "user", "content": "Como implementar cache distribuído com Redis no ASP.NET Core?"}
    ],
    temperature=0.3,
    max_tokens=1000
)

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

using Azure.AI.OpenAI;
using OpenAI.Chat;

var client = new AzureOpenAIClient(
    new Uri("https://seu-recurso.openai.azure.com"),
    new AzureKeyCredential(Environment.GetEnvironmentVariable("AZURE_OPENAI_KEY")));

var chatClient = client.GetChatClient("gpt-4o");

var completion = await chatClient.CompleteChatAsync(
    new SystemChatMessage("Você é um assistente .NET."),
    new UserChatMessage("Como usar IDistributedCache com Redis?")
);

Console.WriteLine(completion.Value.Content[0].Text);

Function Calling e Structured Outputs

Dois recursos críticos para integrações em produção:

Function calling: O modelo decide quando chamar uma função externa e retorna os parâmetros como JSON estruturado. Permite integrar LLMs com sistemas existentes (banco de dados, APIs, microserviços).

Structured outputs: Garante que a resposta seja um JSON válido seguindo um schema definido. Elimina o parsing frágil de texto livre.

from pydantic import BaseModel

class TicketClassification(BaseModel):
    categoria: str
    prioridade: str  # "alta", "media", "baixa"
    equipe_responsavel: str
    resumo: str

response = client.beta.chat.completions.parse(
    model="gpt-4o",
    messages=[{"role": "user", "content": f"Classifique este ticket: {ticket_text}"}],
    response_format=TicketClassification
)

ticket = response.choices[0].message.parsed
print(f"Prioridade: {ticket.prioridade}")

Pricing (referência 2025)