Guia de prompting GPT-5.6: 2 padrões que custam 1.5x e 10x mais

Usar bons prompts com o GPT-5.6 depende principalmente de dois parâmetros do request, e ambos assumem por padrão a opção mais cara. Em nossa matriz de 50 chamadas, omitir reasoning_effort custou 1.5x mais do que defini-lo como "none", embora as respostas tenham sido idênticas. Deixar um prefixo estável sem marcação faz com que ele seja cobrado, em todas as chamadas, por uma tarifa 10x maior do que a de leitura em cache. Este guia apresenta o formato de request derivado das medições do nosso guia de custos do GPT-5.6: como estruturar o request, ajustar o nível de esforço para cada tarefa, organizar o prompt para aproveitar o cache e evitar problemas ao migrar prompts do GPT-5.5.

TL;DR

• Defina reasoning_effort em todo request para o GPT-5.6: em nossa matriz de 4 tarefas, omiti-lo custou 1.5x mais do que usar "none", com respostas idênticas.
• Os níveis aceitos vão de none a xhigh; "max" retorna 400 tanto no Sol quanto no Terra.
• Marque prefixos estáveis com breakpoints explícitos de cache: leituras em cache custam 10% da tarifa de input e escritas custam 1.25x. Marque o que realmente se repete, não apenas o que parece estável.
• prompt_cache_options e breakpoints retornam 400 no GPT-5.5 e em versões anteriores; condicione o rollout à versão do modelo.

Como deve ser um request para o GPT-5.6?

Comece com este formato e remova o que não for necessário. Assim, os dois controles ficam definidos explicitamente, em vez de herdarem os padrões mais caros:

{
  "model": "gpt-5.6-terra",
  "reasoning_effort": "low",
  "prompt_cache_options": { "mode": "explicit", "ttl": "30m" },
  "prompt_cache_key": "tenant-42",
  "messages": [
    { "role": "system", "content": "…stable instructions…",
      "prompt_cache_breakpoint": { "mode": "explicit" } },
    { "role": "user", "content": "…the part that changes per request…" }
  ]
}

A regra de ordenação é simples: todo o conteúdo estável vem antes do breakpoint, e todo o conteúdo específico do request vem depois. Dados dinâmicos, como timestamps, nomes de usuários e documentos recuperados que variam entre chamadas, nunca devem ficar dentro do bloco marcado. A alteração de um único byte faz com que o bloco volte a ser cobrado com o adicional de escrita de 1.25x. O prompt_cache_key direciona as repetições ao mesmo cache; use uma chave estável por tenant ou sessão e considere o limite flexível documentado de cerca de 15 requests por minuto para cada chave.

Como configurar reasoning_effort?

Sempre de forma explícita: a única configuração que deve ser evitada é não configurar. Em nossas medições, requests sem reasoning_effort custaram 1.5x mais do que requests definidos como "none", e as respostas foram idênticas em toda a matriz. Os valores aceitos são none, low, medium, high e xhigh; "max" é rejeitado com um erro 400 que informa os valores válidos. Veja o que cada nível acrescentou em nossa verificação matemática de uma linha no Luna:

No nosso estudo sobre a composição do uso de tokens, o GPT-5.6 foi a única família que continuou respondendo corretamente a esse teste com o raciocínio totalmente desativado. Isso torna none um padrão justificável para chamadas de extração, classificação, formatação e retrieval. Quando há raciocínio, seus tokens não ficam visíveis e são cobrados pela tarifa integral de output: no exemplo matemático com a configuração padrão, 88% do custo de output veio de uma cadeia de raciocínio à qual você não tem acesso. Aumente o nível quando seus evals mostrarem que a tarefa exige isso, não apenas porque o padrão já consumia esses tokens.

Como organizar um prompt para aproveitar o cache?

Organize o prompt do conteúdo mais estável para o menos estável e marque cada camada: primeiro as instruções de system, depois as definições de tools e, em seguida, os documentos de referência. Cada camada deve terminar em um breakpoint, e a mensagem volátil do usuário deve vir depois da última marcação. Há quatro escritas de cache disponíveis por request. No modo implícito padrão, um breakpoint automático na mensagem mais recente consome uma delas. O modo explícito disponibiliza as quatro e, principalmente, armazena em cache apenas o que você marcar.

O principal benefício é o reaproveitamento parcial, e nós o medimos. Com um bloco A estável e uma parte final B substituída, o medidor cobrou novamente apenas a parte final: em um prompt de 2,431 tokens, 1,212 foram lidos pela tarifa de cache e 1,210 foram escritos novamente com o adicional. O resultado bateu exatamente com a tabela de preços. Isso leva a três regras de orçamento:

• Leituras custam 10% da tarifa de input. Um prefixo em camadas, já aquecido no cache, reduz de forma consistente o custo de input.
• Escritas custam 1.25x. Um bloco marcado que nunca volta a ser lido custa 25% mais do que não usar cache. Marque o que se repete, não tudo que parece estável.
• Em repetições completas, a extensão correspondente pode ficar abaixo da marcação. Em um dos testes, 1,897 tokens foram recuperados do cache após uma escrita de 2,422 tokens. Faça o orçamento com base na tarifa reduzida, não em contagens exatas de correspondência; nosso estudo sobre os mínimos de cache traz os limites de cada família.

O piso ttl: "30m" é um mínimo garantido, não um limite máximo, e equivale a 6x o padrão de 5 minutos do Claude. A opção de 24 horas não existe mais. Workloads de processamento diário em lote que dependiam da retenção estendida devem recalcular o ponto de equilíbrio.

O que quebra ao migrar prompts do GPT-5.5?

Duas coisas quebram de forma explícita, e uma de forma silenciosa. De forma explícita, prompt_cache_options e prompt_cache_breakpoint retornam um erro 400 claro no GPT-5.5 e em versões anteriores (prompt_cache_options is not supported on this model). Qualquer gerador de prompts compartilhado precisa condicionar esses campos à versão do modelo. Também falha de forma explícita o nível de esforço "max", presente em algumas configurações do 5.5.

A falha silenciosa é mais cara: por padrão, o GPT-5.6 usa raciocínio, enquanto um workload no 5.5 podia estar com o raciocínio desativado. Um prompt migrado que não define reasoning_effort passa a pagar o adicional de 1.5x por omissão, mantendo a mesma tabela de preços. A migração do cache funciona no sentido inverso: a detecção automática de prefixos do 5.5 dispensava marcação, mas não podia ser acionada nem depurada. No 5.6, o mesmo prompt não aproveita o cache até que seja marcado. Depois disso, cada escrita aparece em usage.prompt_tokens_details.cache_write_tokens; um cache miss é indicado por zero em um campo criado por você, em vez de simplesmente não gerar informação.

Qual tier deve executar o prompt?

O mesmo formato de request funciona nos três tiers. Portanto, a escolha do tier depende do preço, não do prompting: Sol custa $5/$30 por milhão de tokens, Terra custa metade e Luna custa um quinto. Depois que o prefixo está estável, associado a uma chave e aquecido no cache, o desconto de leitura reduz o custo de input em qualquer tier. O preço do output passa a ser o principal diferencial; desça de tier até o limite permitido pelos evals de qualidade de output. O cálculo completo por tier, incluindo o ponto de equilíbrio do adicional de escrita, está no guia de custos.

Perguntas frequentes

O GPT-5.6 aceita reasoning_effort: “max”?

Não. Requests com "max" retornam 400 e informam que os valores válidos vão de none a xhigh, tanto no Sol quanto no Terra. Workloads que precisam do nível máximo devem enviar xhigh explicitamente.

Os breakpoints de cache funcionam no GPT-5.5?

Não. O GPT-5.5 e as versões anteriores rejeitam prompt_cache_options e marcadores de breakpoint com um erro 400. Nesses modelos, resta a detecção automática de prefixos, que não pode ser acionada, associada a uma chave nem depurada. Trate o comportamento do cache como best effort nesses casos e condicione à versão qualquer gerador de prompts que emita os novos campos.

Quantos breakpoints um prompt deve usar na prática?

Use um para cada camada que realmente se repete, respeitando o limite: são quatro escritas por request, e o breakpoint automático implícito consome uma delas se você não mudar para o modo explícito. Um prompt típico em camadas precisa de dois ou três breakpoints, para instruções, tools e bloco de referência. Um quinto marcador é aceito sem erro, mas apenas compartilha os slots de escrita, já que uma marcação posterior abrange todo o conteúdo anterior.

Todos os números deste guia foram medidos por meio do gateway da Synthorai nos modelos GPT-5.6 disponíveis no primeiro dia e conferidos com o medidor ativo de usage.cost; a metodologia e os testes brutos estão no guia de custos e no estudo sobre os mínimos de cache. Confirme os resultados nos seus próprios registros de uso; as tarifas e os valores aceitos podem mudar.

← Voltar ao blog