LoginSignup
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@leolui2013(LEO LUI)

GPT-5のリリースに伴うOpenAIの新しいAPI機能を試した

Posted at

イントロ

GPT-5のリリースは賛否両論の感じにはなっていますが、モデルの性能などと別で、実はOpenAIのAPIバージョンがたまにモデルのリリースに伴って更新があります。今回も新しい機能が追加されたらしくて、説明だけ読んであまりわからない部分もあるので試してみました。

参考する記事はこちらになります。一部既存の機能の記載もあります。

reasoningとverbosityの設定

2つの概念になりますが、

  • reasoningは、思考の出力の制御
  • verbosityは、回答の出力の制御

です。

verbosity

verbosityは以前にはなかったらしいので、先にverbosityを見てみます。

公式の記載にはこのような説明です。

High verbosity: Use when you need the model to provide thorough explanations of documents or perform extensive code refactoring.
Low verbosity: Best for situations where you want concise answers or simple code generation, such as SQL queries.

早速例を見ていきます。

verbosity=high

インプット

response = client.responses.create(
    model="gpt-5",
    input="現在のJST時間を教えてください。",
    text={"format": {"type": "text"},"verbosity": "high"},
    tools=[
        {
            "type": "custom",
            "name": "code_exec",
            "description": "Executes python code",
        }
    ]
)
print(response.output[1].input)
print("-"*20)
response.usage

アウトプット

# Get current time in Japan Standard Time (JST, UTC+9) using Python
from datetime import datetime, timezone, timedelta
try:
    from zoneinfo import ZoneInfo
    now_jst = datetime.now(ZoneInfo("Asia/Tokyo"))
except Exception:
    # Fallback: compute from UTC
    now_jst = datetime.now(timezone.utc) + timedelta(hours=9)

result = {
    "iso": now_jst.isoformat(),
    "date": now_jst.strftime("%Y-%m-%d"),
    "time": now_jst.strftime("%H:%M:%S"),
    "weekday_ja": ["月","火","水","木","金","土","日"][now_jst.weekday()],
    "utc_offset": "+09:00",
}

result
--------------------
ResponseUsage(input_tokens=47, 
input_tokens_details=InputTokensDetails(cached_tokens=0), 
output_tokens=437, 
output_tokens_details=OutputTokensDetails(reasoning_tokens=256), 
total_tokens=484)

verbosity=low

インプット

response = client.responses.create(
    model="gpt-5",
    input="現在のJST時間を教えてください。",
    text={"format": {"type": "text"},"verbosity": "low"},
    tools=[
        {
            "type": "custom",
            "name": "code_exec",
            "description": "Executes python code",
        }
    ]
)
print(response.output[1].input)
print("-"*20)
response.usage

アウトプット

from datetime import datetime, timezone, timedelta

jst = timezone(timedelta(hours=9))
now_jst = datetime.now(jst)
now_jst.strftime("%Y-%m-%d %H:%M:%S (JST)")
--------------------
ResponseUsage(input_tokens=47, 
input_tokens_details=InputTokensDetails(cached_tokens=0), 
output_tokens=255, 
output_tokens_details=OutputTokensDetails(reasoning_tokens=192), total_tokens=302)

同じくソースコード生成の依頼で、

  • verbosity=highの時は、output_tokens=484、コードも比較的に長い
  • verbosity=lowの時は、output_tokens=302、コードも比較的に短い

reasoning

verbosityと別で、思考の設定もできて、これまでに low, medium, high だけがあるけど、今回は low の上位に minimal が出てきたので、verbosity合わせて設定してみます。

effort=minimal

インプット

response = client.responses.create(
    model="gpt-5",
    input="現在のJST時間を教えてください。",
    text={"format": {"type": "text"},"verbosity": "low"},
    reasoning = {
        "effort": "minimal"
    },
    tools=[
        {
            "type": "custom",
            "name": "code_exec",
            "description": "Executes python code",
        }
    ]
)
print(response.output[1].input)
print("-"*20)
response.usage

アウトプット

import datetime, pytz

tz = pytz.timezone('Asia/Tokyo')
now = datetime.datetime.now(tz)
now.isoformat()
--------------------
ResponseUsage(input_tokens=47, 
input_tokens_details=InputTokensDetails(cached_tokens=0), 
output_tokens=45, 
output_tokens_details=OutputTokensDetails(reasoning_tokens=0), 
total_tokens=92)

reasoning_tokens=0のことが確認できます。全体のアウトプットトークン数はかなり減らしたけど、ネットでの情報によると、思考なしのGPT-5はGPT-4.1より弱いまたは同じぐらいの賢さだと言われているので、実際にソースコード生成タスクには向いていないです。あくまで今回は挙動の検証です。

Context‑Free Grammar

さらに別の機能になりますが、アウトプットフォーマットの指定です。昔にはJSONフォーマットの指定があるけど、今回はより複雑なRegexやLarkの指定ができます。

Regex

まずはRegexを定義して、そしてある株価ページから取ってきたHTMLをインプットして、
価格 | 価格変動 | %変動 の形でアウトプットしてみたいです。

インプット

quote_grammar_definition = r"^[+-]?\d+(?:\.\d+)? \| [+-]?\d+(?:\.\d+)? \| [+-]?\d+(?:\.\d+)?%$"

html_prompt = """
<div class="container yf-16vvaki"><div style="display: contents; --_font-weight:var(--font-bold); --_font-size:var(--font-6xl);">
<span class="down1 yf-ipw1h0 base" data-testid="qsp-price">174.64</span></div>

<div style="display: contents; --_font-weight:var(--font-bold); --_font-size:var(--font-2xl);">
<span class="down2 txt-negative yf-ipw1h0 base" data-testid="qsp-price-change">-0.76</span></div>

<div style="display: contents; --_font-weight:var(--font-bold); --_font-size:var(--font-2xl);">
<span class="up2 txt-negative yf-ipw1h0 base" data-testid="qsp-price-change-percent">(-0.43%)</span></div></div>
"""

response = client.responses.create(
    model="gpt-5",
    input=html_prompt,
    text={"format": {"type": "text"}},
    tools=[
        {
            "type": "custom",
            "name": "quote_grammar",
            "description": "Extracts and formats 'price | change | percent change' from HTML.",
            "format": {
                "type": "grammar",
                "syntax": "regex",
                "definition": quote_grammar_definition
            }
        },
    ],
    parallel_tool_calls=False
)

print(response.output[1].input)
print("-"*20)
response.usage

アウトプット

174.64 | -0.76 | -0.43%
--------------------
ResponseUsage(input_tokens=414, 
input_tokens_details=InputTokensDetails(cached_tokens=0), 
output_tokens=414, 
output_tokens_details=OutputTokensDetails(reasoning_tokens=384), 
total_tokens=828)

無事アウトプット成功で、ただし使うトークン数が少ないと言えないので、ユースケースによってコスト効果が良くない可能性があります。

Lark

次にさらに複雑なLarkです。自分もあまり詳しくないので、そもそもLLMでログから抽出のユースケースは多いけど、逆に何らかのデータからログまたは固定なフォーマットに変換するユースケースがあまり思いつかなくて、今回は敢えて少し極端な例を上げてみました。

インプットは、ある海外の天気モデルの解析データで、例えば雲や風の情報です。アウトプットは、該当地域のTAF電文です。この例で示したいユースケースは、複雑なモデルのローデータから、別の業界のフォーマットのデータに変換するみたいな処理です。情報はローデータなので、風速は東西風成分と南北風成分みたいな形で、TAF電文のような方向x速度の形にするために変換が必要で、さらに状況によって欠損データもあるので、処理が大変のはずです。（あくまで例なので、実際に業界での処理と異なるのでご了承ください）

インプット

Lark grammar の定義が非常に長いのでこちらに収めます。

import textwrap

grammar = textwrap.dedent(r"""
?start: taf_report

// A TAF report is composed of a header and the main forecast body
taf_report: report_type icao issuance_time validity_period forecast

// 1. HEADER SECTION
// ------------------
report_type: "TAF" ("AMD" | "COR")?
icao: LETTER{4}
issuance_time: DIGIT{2} DIGIT{2} DIGIT{2} "Z"
validity_period: DIGIT{2} DIGIT{2} "/" DIGIT{2} DIGIT{2}

// 2. FORECAST BODY
// ----------------
// The forecast contains initial conditions followed by optional change groups
forecast: base_conditions change_group*

// Base conditions are the initial forecast state
base_conditions: wind (cavok | (visibility? weather* clouds* wind_shear?))

// Change groups describe how the weather will evolve
change_group: tempo_group | becmg_group | from_group | prob_group

tempo_group: "TEMPO" time_period changed_conditions
becmg_group: "BECMG" time_period changed_conditions
from_group: "FM" from_time changed_conditions
prob_group: "PROB" probability time_period changed_conditions

// Time definitions for change groups
time_period: DIGIT{2} DIGIT{2} "/" DIGIT{2} DIGIT{2}
from_time: DIGIT{2} DIGIT{2} DIGIT{2}
probability: "30" | "40"

// The set of conditions that are forecast to change
changed_conditions: weather_element+
weather_element: wind | visibility | weather | clouds | cavok | wind_shear

// 3. CORE WEATHER ELEMENTS
// ------------------------
// These rules define the individual meteorological components

// Wind: Direction, speed, optional gusts, and units
wind: (DIGIT{3} | "VRB") DIGIT{2,3} ("G" DIGIT{2,3})? wind_unit
wind_unit: "KT" | "MPS"

// Visibility: 9999 for >=10km, or specific meter values
visibility: DIGIT{4}

// Clouds: Amount, height, and optional significant type (CB/TCU)
// Also handles No Significant Cloud (NSC) and Vertical Visibility (VV)
clouds: (cloud_group | "NSC" | vertical_visibility)
cloud_group: cloud_amount DIGIT{3} cloud_type?
cloud_amount: "FEW" | "SCT" | "BKN" | "OVC"
cloud_type: "CB" | "TCU"
vertical_visibility: "VV" DIGIT{3}

// Significant Weather Phenomena
weather: INTENSITY? DESCRIPTOR? PHENOMENON+
INTENSITY: "-" | "+" | "VC"
DESCRIPTOR: "MI" | "PR" | "BC" | "DR" | "BL" | "SH" | "TS" | "FZ"
PHENOMENON: "DZ" | "RA" | "SN" | "SG" | "IC" | "PL" | "GR" | "GS" | "UP" | "BR" | "FG" | "FU" | "VA" | "DU" | "SA" | "HZ" | "PY" | "PO" | "SQ" | "FC" | "SS" | "DS"

// Special Keywords
cavok: "CAVOK" // "Ceiling and Visibility OK"
wind_shear: "WS" DIGIT{3} "/" wind

// 4. TERMINALS AND CONFIGURATION
// ------------------------------
%import common.DIGIT
%import common.LETTER
%import common.WS
%ignore WS // Ignore whitespace between tokens
""")

input_prompt = '''
3:11796818:18Z19mar2025:VGRD V-Component of Wind [m/s]:lvl1=(103,10) lvl2=(255,missing):10 m above ground:7200 min fcst::lon=139.039062,lat=35.008774,i=252206,ix=252206,iy=1,val=0.223282
3:11796818:18Z19mar2025:UGRD U-Component of Wind [m/s]:lvl1=(103,10) lvl2=(255,missing):10 m above ground:7200 min fcst::lon=139.039062,lat=35.008774,i=252206,ix=252206,iy=1,val=2.04112
3:11796818:18Z19mar2025:CDCC Cloud Cover [%]:lvl1=(100,0) lvl2=(100,40000):0-400 mb:7200 min fcst::lon=139.039062,lat=35.008774,i=252206,ix=252206,iy=1,val=0
3:11796818:18Z19mar2025:CDCC Cloud Cover [%]:lvl1=(100,40000) lvl2=(100,80000):400-800 mb:7200 min fcst::lon=139.039062,lat=35.008774,i=252206,ix=252206,iy=1,val=0
3:11796818:18Z19mar2025:CDCC Cloud Cover [%]:lvl1=(100,80000) lvl2=(1,0):800 mb - surface:7200 min fcst::lon=139.039062,lat=35.008774,i=252206,ix=252206,iy=1,val=47.0547
---
From the model data, transform the wind part and the cloud SCT part to TAF, ignore other parts if you cannot find the data from above.
'''

response_transform = client.responses.create(
    model="gpt-5",
    input=input_prompt,
    text={"format": {"type": "text"}},
    reasoning = {
        "effort": "high"
    },
    tools=[
        {
            "type": "custom",
            "name": "taf_grammar",
            "description": "YOU MUST REASON HEAVILY TO MAKE SURE IT OBEYS THE GRAMMAR.",
            "format": {
                "type": "grammar",
                "syntax": "lark",
                "definition": grammar
            }
        },
    ],
    parallel_tool_calls=False
)

print(response_transform.output[1].input)
print("-"*20)
response_transform.usage

アウトプット

TAF RJTT 191800Z 1918/2018 26404KT 9999 SCT020
--------------------
ResponseUsage(input_tokens=1435, 
input_tokens_details=InputTokensDetails(cached_tokens=0), 
output_tokens=7016, output_tokens_details=OutputTokensDetails(reasoning_tokens=6976), 
total_tokens=8451)

これで欠損があるデータや風速の変換処理もやってくれてTAF電文を出力することが確認できます。当然ここまでやるとトークン数も多いので、ほとんどの場合はこの手法を使わいないでしょう。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?