先记住一个原则

先选够用、且更省积分的模型，只有任务确实需要更强能力时再升级。

拿不准时，先按任务选择当前可用的模型；OHLAC Auto 目前未开放。

很多任务并不需要旗舰模型。把更强的模型留给真正复杂的问题，既省积分，也常常更快拿到结果。

先分清任务，再比较模型

• 日常问答与整理：先试能把问题讲清楚、把要点整理完整的模型。
• 写作与改写：比较语气、结构和是否遵守你的要求。
• 复杂分析与长文：比较资料覆盖、推理依据和遗漏之处。

具体候选见模型选择说明。速度、输入能力和积分消耗需要分别比较；旗舰标签不代表固定费用，也不保证某次回答更好。当前可选状态、支持的输入和消耗以工作区展示为准。

按任务挑模型

日常问答与快速整理

优先选择轻量模型。问事实、做摘要、把一段话改短、把要点列成清单，这些任务轻量模型通常已经足够，消耗也更低。

写作与改写

从均衡模型开始通常最划算。它们对语气、结构和篇幅的控制更稳，适合邮件、方案说明、文章初稿。如果只是调整一句话的重心，用轻量模型就够。

复杂分析与重要决定

这类任务适合旗舰模型。它们更擅长在信息不全、条件互相牵制时保持思路清晰，也更能指出你没考虑到的前提。当结果会影响实际决定时，升级到旗舰档是值得的。

长文档与资料阅读

让模型先读完再回答，比反复追问更有效。均衡与旗舰模型更适合处理长资料，也更擅长把复杂内容讲清楚。材料是 PDF 或文档时，先确认当前模型明确支持对应输入能力。

观点比较与头脑风暴

想听到不同的看法、而不是一个结论时，Grok 系列往往更合适。它们适合开放讨论，也适合把几种立场并列摆出来，方便你判断。

结合图片与文字提问

可以在聊天中发送图片，再用文字说明想了解什么。选择模型时，分别确认它是否支持图片输入、是否支持通用图片理解；能接收图片不一定代表能理解画面。若只提供 OCR，应按识别图片中文字的用途使用。具体能力以当前工作区展示为准，不要仅凭厂商或系列名称判断。

发送前分开检查三件事：

• 模型能力：所选模型是否支持这次需要的图片输入与图片理解。
• 当前服务状态：模型是否已开放、可选，当前服务是否可用；有能力不等于此刻能调用。
• 账户条件：登录、权限和余额是否符合工作区要求。

聊天图片理解用于围绕已有图片提问；用参考图生成或修改图片属于 AI Image 生图，操作方法见使用参考图。两者的能力与使用条件需要分别确认。

图片请求失败后怎样继续

一次请求失败不代表模型永久不支持图片。遇到不支持输入或请求选项的提示，可以移除不支持的输入，再尝试文字请求；也可以切换到当前可用的模型，或新开会话后再试。切换模型或新开会话后应重新按当前能力判断，旧的图片能力错误不应继续阻止新请求。

这些操作不会自动重试，也不会自动发送草稿，仍需由你发送。暂时不可用的供应商不保证立即恢复；登录、权限、开放状态和余额问题仍需按对应提示处理。

阅读和比较聊天回答

在当前工作区支持时，回答可以用以下形式呈现；也可能仍是普通文本或 Markdown，即使请求卡片、表格或图表，也不保证每次都生成相应组件。

• 卡片：阅读标题和摘要，再展开需要的详情。展开入口紧随本卡摘要，展开一张不会拉长其他卡片；桌面可多列显示，手机以单列阅读。
• 表格：点击表头切换升序与降序。长内容可以换行，数值保留原有精度；宽表在表格内部横向滚动。
• 图表：切换柱状图与折线图，或查看完整数据；可用鼠标、触摸和键盘读取数据。判断仍应依据实际数据，图表不会替数据补出趋势结论。

推荐话题可帮助你请求卡片比较、表格整理或图表展示。点击只会填入草稿，由你确认并发送；表格和图表话题会先请你提供自己的数据。

复制回答可获得完整纯文本，包括未展开的卡片详情和图表全部数值；表格按当前排序复制。回答继续追加正文时，已完成内容的展开、排序和图表视图保持不变。刷新或重新加载历史后，原始内容仍保留，临时的展开、排序和视图会重置。

同一个问题，换模型再问一次

在 OHLAC 里，你不需要把问题重新打一遍才能换模型。把同一个问题交给另一个模型，往往能暴露出前一个答案里被忽略的角度。一个实用做法是：

1. 先用轻量模型快速拿到一个可用版本；
2. 如果发现答案太浅或方向不对，再用均衡或旗舰模型重新问一次；
3. 比较两次回答的差异，而不是只看哪一次更长。

三个常见误区

• 只用最贵的模型。 先比较结果是否满足要求；更高消耗不保证更好的回答。
• 把「回答快」当成「能力弱」。 速度和能力是两个维度，按任务需求分别判断。
• 一次不满意就换模型。 多数时候，先补充上下文或把要求说清楚，比换模型更有效。

小结

把模型当成不同工具：轻量模型处理日常，均衡模型负责常见创作，旗舰模型解决复杂问题。先从够用的模型开始，需要时再升级——这就是在 OHLAC 里使用多个模型的正确姿势。

下一步可以阅读怎样写出更好的 AI 图片描述，或在模型说明里按任务寻找合适的模型。

Start with one principle

Pick the smallest model that does the job, and upgrade only when the task truly needs more.

If you are unsure, choose a currently available model for your task. OHLAC Auto is not available yet.

Plenty of tasks do not need a flagship model. Save the stronger models for genuinely hard problems — it saves credits and often gets you a usable answer faster.

Compare tasks before comparing models

• Everyday questions and organization: start with a model that explains clearly and captures the key points.
• Writing and editing: compare tone, structure and adherence to your requirements.
• Complex analysis and long documents: compare source coverage, reasoning and omissions.

See the model guide for candidates. Compare speed, supported inputs and credit use separately. A flagship badge is not a fixed price or a guarantee of a better answer. Check the workspace for current availability, inputs and credit use.

Pick by task

Everyday questions and quick tidying

Start with a lightweight model. Facts, summaries, shortening a paragraph, turning notes into a list — a lightweight model is usually enough and costs less.

Writing and rewriting

A balanced model is usually the best value here. It holds tone, structure and length more steadily, which suits emails, proposals and first drafts. If you are only shifting the emphasis of one sentence, a lightweight model is fine.

Complex analysis and important decisions

This is where flagship models earn their cost. They stay clearer when information is incomplete and constraints pull against each other, and they are better at surfacing a premise you had not considered. When the answer will shape a real decision, upgrading is worth it.

Long documents and research

Letting a model read first and answer afterwards works far better than repeated follow-up questions. Balanced and flagship models handle long material better, and they are better at explaining complex material clearly. If your material is a PDF or a document, hand it to a model that supports it — no need to transcribe it first.

Comparing viewpoints and brainstorming

When you want several perspectives rather than one conclusion, the Grok models tend to fit better. They are suited to open discussion and to laying competing positions side by side so you can judge.

Ask about an image with text

You can send an image in chat and explain in text what you want to know. Check image input and general image understanding separately: accepting an image does not necessarily mean understanding the scene. If a model only offers OCR, use it to read text in images. Check the current workspace for capabilities rather than inferring them from a provider or model family name.

Before sending, check three things separately:

• Model capability: whether the selected model supports the image input and understanding your request needs.
• Current service status: whether the model is released, selectable and currently available. Having a capability does not mean it can be used right now.
• Account conditions: whether your login, permissions and balance meet the workspace requirements.

Image understanding in chat is for asking about an existing image. Generating or editing an image with a reference belongs to AI Image; see using reference images. Check the capabilities and conditions for each feature separately.

Continue after an image request fails

One failed request does not mean a model permanently lacks image support. If an input or request option is unsupported, remove the unsupported input and try a text request. You can also switch to a currently available model or start a new conversation. After either change, the current model's capabilities should be checked afresh; an old image capability error should not keep blocking new requests.

These actions do not retry automatically or send your draft: you still choose when to send. A temporarily unavailable provider is not guaranteed to recover immediately. Handle login, permissions, availability and balance issues according to their prompts.

Read and compare chat answers

When supported in the current workspace, answers can use the formats below. They may also use ordinary text or Markdown; requesting cards, a table or a chart does not guarantee a component every time.

• Cards: read the title and summary, then expand the details you need. Each expand control follows its own summary, and expanding one card does not stretch the others. Desktop can show multiple columns; mobile uses one.
• Tables: select a column header to toggle ascending and descending order. Long text wraps and numbers retain their original precision. Wide tables scroll horizontally within the table.
• Charts: switch between bar and line views, or view the complete data. Read data using a mouse, touch or keyboard. Base your judgment on the actual data; charts do not supply trend conclusions that the data does not support.

Suggested topics can help you request card comparisons, tables or charts. Selecting one only fills your draft; you review and send it. Table and chart topics ask for your own data first.

Copying an answer gives you complete plain text, including collapsed card details and every chart value; tables copy in the current sort order. As more text is appended to an answer, completed content keeps its expansion, sorting and chart view. Refreshing or reloading history preserves the original content but resets those temporary interaction states.

Ask the same question again with another model

In OHLAC you do not have to retype a question to switch models. Handing the same question to a second model often exposes the angle the first answer missed. A practical routine:

1. Use a lightweight model to get a usable version quickly;
2. If the answer feels shallow or off-target, ask again with a balanced or flagship model;
3. Compare the differences between the two answers, not just which one is longer.

Three common mistakes

• Only using the most expensive model. Judge whether the result meets your needs; higher credit use does not guarantee a better answer.
• Treating "fast" as "weak". Speed and capability are separate dimensions; judge them by the task.
• Switching models the moment you are unhappy. More often, adding context or stating the requirement more clearly helps more than switching.

In short

Treat models as different tools: lightweight for daily work, balanced for most writing, flagship for hard problems. Start with the smallest model that works and upgrade when needed — that is how to get the most out of multiple models in OHLAC.

Next, read How to write better image prompts, or choose a starting point in the model guide.

먼저 기억할 원칙 하나

작업에 충분하면서 더 아껴 주는 모델을 고르고, 정말 강한 능력이 필요할 때만 올립니다.

작업에 맞는 현재 사용 가능한 모델을 직접 선택하세요. OHLAC Auto는 아직 사용할 수 없습니다.

대부분의 작업에는 플래그십 모델이 필요하지 않습니다. 정말 복잡한 문제에 강한 모델을 남겨 두면 크레딧을 아끼고, 대개 더 빨리 쓸 만한 답을 얻습니다.

모델보다 먼저 작업을 구분하세요

• 일상 질문과 정리: 명확하게 설명하고 핵심을 빠짐없이 정리하는 모델부터 시작하세요.
• 글쓰기와 수정: 어조, 구조, 요청 준수 여부를 비교하세요.
• 복잡한 분석과 긴 문서: 자료의 반영 범위, 추론 근거와 누락을 비교하세요.

후보는 모델 선택 안내에서 확인하세요. 속도, 지원 입력과 크레딧 소모는 따로 비교해야 합니다. 플래그십 표시는 고정 요금이나 더 좋은 답변을 보장하지 않습니다. 현재 이용 가능 여부, 입력과 비용은 작업 공간에서 확인하세요.

작업별로 고르기

일상 질문과 빠른 정리

경량 모델을 먼저 쓰세요. 사실 확인, 요약, 문단 줄이기, 메모를 목록으로 바꾸기 같은 일은 경량 모델로 충분한 경우가 많고 비용도 낮습니다.

글쓰기와 다듬기

균형 모델로 시작하는 것이 가장 남는 장사인 경우가 많습니다. 말투와 구조, 분량을 안정적으로 다뤄 이메일, 제안서, 초안에 잘 맞습니다. 문장 하나의 강조점만 바꾸는 일이라면 경량 모델로 충분합니다.

복잡한 분석과 중요한 판단

이런 작업은 플래그십 모델이 제값을 합니다. 정보가 불완전하고 조건이 얽힌 상황에서도 논리를 유지하고, 미처 생각하지 못한 전제를 짚어 줍니다. 결과가 실제 판단에 영향을 준다면 플래그십으로 올릴 만합니다.

장문과 자료 읽기

모델이 먼저 읽고 답하게 하는 편이 여러 번 되묻는 것보다 훨씬 효과적입니다. 균형과 플래그십 모델은 긴 자료를 잘 다루고 복잡한 내용을 알기 쉽게 설명합니다. 자료가 PDF나 문서라면 지원하는 모델에 그대로 맡기면 되고, 미리 손으로 옮겨 적을 필요가 없습니다.

관점 비교와 아이디어 발산

결론 하나보다 여러 관점이 필요할 때는 Grok 계열이 잘 맞습니다. 열린 토론이나 서로 다른 입장을 나란히 놓고 판단할 때 적합합니다.

이미지와 텍스트를 함께 보내 질문하기

채팅에 이미지를 보내고 무엇을 알고 싶은지 텍스트로 설명할 수 있습니다. 이미지 입력과 일반적인 이미지 이해 지원 여부를 따로 확인하세요. 이미지를 받을 수 있다고 해서 장면까지 이해하는 것은 아닙니다. OCR만 제공하는 모델은 이미지 속 글자를 읽는 용도로 사용하세요. 제공업체나 모델 계열 이름으로 추측하지 말고 현재 작업 공간의 기능 안내를 확인하세요.

보내기 전에 다음 세 가지를 구분해 확인하세요.

• 모델 능력: 선택한 모델이 이번 질문에 필요한 이미지 입력과 이미지 이해를 지원하는지 확인합니다.
• 현재 서비스 상태: 모델이 공개되어 선택 가능한지, 지금 서비스를 이용할 수 있는지 확인합니다. 기능을 지원해도 현재 호출할 수 있다는 뜻은 아닙니다.
• 계정 조건: 로그인, 권한, 잔액이 작업 공간의 요구 사항을 충족하는지 확인합니다.

채팅의 이미지 이해는 기존 이미지에 관해 질문하는 기능입니다. 참고 이미지로 새 이미지를 만들거나 수정하는 것은 AI Image 기능이며, 방법은 참고 이미지 사용 안내를 보세요. 두 기능의 지원 능력과 이용 조건은 따로 확인해야 합니다.

이미지 요청이 실패한 뒤 계속하기

요청 한 번이 실패했다고 모델이 영구적으로 이미지를 지원하지 않는 것은 아닙니다. 입력이나 요청 옵션을 지원하지 않는다는 안내가 나오면 해당 입력을 제거하고 텍스트 요청을 다시 시도하세요. 현재 사용 가능한 모델로 바꾸거나 새 대화를 시작할 수도 있습니다. 모델 변경이나 새 대화 후에는 현재 모델의 능력을 새로 확인해야 하며, 이전 이미지 능력 오류가 새 요청을 계속 막아서는 안 됩니다.

이 작업은 자동으로 재시도하거나 초안을 보내지 않습니다. 보낼 시점은 직접 결정합니다. 일시적으로 사용할 수 없는 제공업체가 즉시 복구된다는 보장도 없습니다. 로그인, 권한, 공개 상태, 잔액 문제는 해당 안내에 따라 처리하세요.

채팅 답변 읽고 비교하기

현재 작업 공간에서 지원할 때 답변은 아래 형식으로 표시될 수 있습니다. 일반 텍스트나 Markdown으로 답할 수도 있으므로 카드, 표, 차트를 요청해도 매번 해당 구성 요소가 생성되는 것은 아닙니다.

• 카드: 제목과 요약을 읽고 필요한 상세 내용을 펼칩니다. 펼치기 버튼은 각 카드의 요약 바로 뒤에 있으며, 한 카드를 펼쳐도 다른 카드가 길어지지 않습니다. 데스크톱에서는 여러 열, 모바일에서는 한 열로 읽을 수 있습니다.
• 표: 열 머리글을 선택해 오름차순과 내림차순을 전환합니다. 긴 내용은 줄바꿈되고 숫자는 원래 정밀도를 유지합니다. 넓은 표는 표 안에서 가로로 스크롤합니다.
• 차트: 막대와 선 보기 사이를 전환하거나 전체 데이터를 확인합니다. 마우스, 터치, 키보드로 데이터를 읽을 수 있습니다. 판단은 실제 데이터에 근거해야 하며, 차트가 데이터로 뒷받침되지 않는 추세 결론을 덧붙이지는 않습니다.

추천 주제를 통해 카드 비교, 표 정리, 차트 표시를 요청할 수 있습니다. 선택하면 초안만 채워지며, 직접 확인하고 보냅니다. 표와 차트 주제는 먼저 자신의 데이터를 제공하도록 요청합니다.

답변을 복사하면 접힌 카드의 상세 내용과 차트의 모든 수치를 포함한 완전한 일반 텍스트를 얻습니다. 표는 현재 정렬 순서로 복사됩니다. 답변에 본문이 추가되어도 완성된 내용의 펼침, 정렬, 차트 보기는 유지됩니다. 새로고침하거나 기록을 다시 불러오면 원래 내용은 유지되지만 이러한 임시 상태는 초기화됩니다.

같은 질문을 다른 모델에 다시

OHLAC에서는 모델을 바꾸려고 질문을 다시 칠 필요가 없습니다. 같은 질문을 다른 모델에 넘기면 첫 답이 놓친 각도가 드러나는 경우가 많습니다. 실용적인 순서:

1. 경량 모델로 쓸 만한 버전을 빠르게 받습니다.
2. 답이 얕거나 방향이 다르다 싶으면 균형이나 플래그십으로 다시 묻습니다.
3. 어느 쪽이 긴지가 아니라 두 답의 차이를 비교합니다.

흔한 오해 세 가지

• 가장 비싼 모델만 쓰기. 결과가 요구에 맞는지 먼저 비교하세요. 더 많은 크레딧이 더 좋은 답변을 보장하지 않습니다.
• "빠름"을 "약함"으로 본다. 속도와 능력은 다른 축이니 작업에 맞춰 판단하세요.
• 마음에 안 들면 바로 모델을 바꾼다. 대개는 맥락을 더하거나 요구를 분명히 하는 편이 더 효과적입니다.

정리

모델은 서로 다른 도구라고 생각하세요. 경량은 일상, 균형은 대부분의 글, 플래그십은 복잡한 문제에 씁니다. 충분한 모델로 시작해 필요할 때 올리는 것이 OHLAC에서 여러 모델을 쓰는 방법입니다.

이어서 이미지 설명을 더 잘 쓰는 방법을 읽거나, 모델 안내에서 시작점을 찾아보세요.

まず覚える原則はひとつ

まず十分で、よりクレジットを節約できるモデルを選び、本当に強い能力が必要なときだけ上げる。

タスクに合った現在利用可能なモデルを選んでください。OHLAC Auto はまだ利用できません。

多くのタスクはフラッグシップモデルを必要としません。本当に複雑な問題に強いモデルを残しておけば、クレジットを節約でき、多くの場合より速く使える答えが得られます。

モデルの前に用途を整理する

• 日常の質問と整理：明確に説明し、要点を押さえるモデルから試します。
• 執筆と修正：語調、構成、指示に沿っているかを比較します。
• 複雑な分析と長文：資料の網羅性、推論の根拠、抜けを比較します。

候補はモデル選択ガイドをご覧ください。速度、対応入力、クレジット消費は別々に比較します。フラッグシップ表示は固定料金や回答の質を保証しません。現在の提供状況、対応入力、消費量はワークスペースで確認できます。

タスク別に選ぶ

日常の質問と素早い整理

軽量モデルを優先します。事実確認、要約、文章を短くする、要点を箇条書きにする——こうした作業は軽量モデルで十分なことが多く、消費も低くなります。

執筆と書き直し

まずバランスモデルから始めるのが最も割の良いことが多いです。口調、構成、分量を安定して扱えるため、メール、提案書、記事の下書きに向きます。一文の重心を変えるだけなら軽量モデルで十分です。

複雑な分析と重要な判断

こうしたタスクはフラッグシップモデルが向いています。情報が不完全で条件が絡み合う場面でも筋道を保ち、あなたが考えていなかった前提を指摘できます。結果が実際の判断を左右するなら、フラッグシップに上げる価値があります。

長い文書と資料の読み込み

モデルに先に読ませてから答えるほうが、何度も聞き返すより効果的です。バランスとフラッグシップは長い資料の処理が得意で、複雑な内容をわかりやすく説明するのも得意です。資料が PDF や文書なら、対応しているモデルにそのまま読ませれば、先に手で書き写す必要はありません。

意見の比較とブレインストーミング

結論ではなく異なる見方を聞きたいときは Grok シリーズが向いています。オープンな議論や、複数の立場を並べて判断したい場面に適しています。

画像と文章を組み合わせて質問する

チャットに画像を送り、知りたいことを文章で説明できます。画像入力と一般的な画像理解の対応は別々に確認してください。画像を受け取れることが、写っている場面を理解できることを意味するとは限りません。OCR のみを提供するモデルは、画像内の文字を読む用途で使います。提供元やモデル系列の名前から推測せず、現在のワークスペースで能力を確認してください。

送信前に、次の 3 点を分けて確認します。

• モデルの能力： 今回の質問に必要な画像入力と画像理解に対応しているか。
• 現在のサービス状況： モデルが公開され、選択可能で、現在利用できるか。能力があることと、今使えることは別です。
• アカウントの条件： ログイン、権限、残高がワークスペースの利用条件を満たしているか。

チャットの画像理解は、既存の画像について質問する機能です。参考画像を使って画像を生成・編集する機能は AI Image に属します。使い方は参考画像のガイドをご覧ください。それぞれの能力と利用条件を確認しましょう。

画像のリクエストが失敗した後に続ける

一度の失敗が、そのモデルが今後ずっと画像に対応しないことを意味するわけではありません。入力やリクエストのオプションが非対応と表示された場合は、非対応の入力を外して文章のリクエストを試してください。現在利用可能なモデルに切り替えるか、新しい会話を始める方法もあります。その後は現在のモデルの能力で改めて判断し、以前の画像能力エラーが新しいリクエストを引き続き妨げるべきではありません。

これらの操作で自動再試行や下書きの自動送信は行われません。送信は自分で行います。一時的に利用できない提供元の即時復旧も保証されません。ログイン、権限、提供状況、残高の問題は、それぞれの案内に従って対処してください。

チャットの回答を読み比べる

現在のワークスペースが対応している場合、回答は以下の形式で表示できます。通常の文章や Markdown になる場合もあり、カード、表、グラフを依頼しても毎回その形式になるとは限りません。

• カード： タイトルと要約を読み、必要な詳細を展開します。展開ボタンは各カードの要約の直後にあり、1 枚を展開しても他のカードは縦に伸びません。デスクトップでは複数列、スマートフォンでは 1 列で読めます。
• 表： 列見出しを選ぶと昇順・降順が切り替わります。長い文章は折り返し、数値は元の精度を保持します。幅の広い表は、表の内部で横にスクロールします。
• グラフ： 棒グラフと折れ線グラフを切り替えたり、全データを確認したりできます。マウス、タッチ、キーボードでデータを読み取れます。判断は実際のデータに基づき、グラフがデータに裏付けられない傾向の結論を付け足すことはありません。

おすすめの話題から、カードでの比較、表への整理、グラフ表示を依頼できます。選択すると下書きに入るだけなので、内容を確認して自分で送信します。表とグラフの話題では、先に自分のデータを提供するよう求められます。

回答をコピーすると、未展開のカード詳細やグラフの全数値を含む完全なプレーンテキストを取得できます。表は現在の並び順でコピーされます。回答の本文が追加されても、完成済みの内容の展開、並べ替え、グラフ表示は維持されます。更新や履歴の再読み込みでは元の内容が復元されますが、これらの一時的な操作状態はリセットされます。

同じ質問を別のモデルにもう一度

OHLAC では、モデルを変えるために質問を打ち直す必要はありません。同じ質問を別のモデルに渡すと、最初の答えが見落とした角度が見えてくることがよくあります。実用的な手順：

1. まず軽量モデルで使える版を素早く得る；
2. 答えが浅い、または方向が違うと感じたら、バランスかフラッグシップでもう一度聞く；
3. どちらが長いかではなく、2 つの答えの違いを比べる。

よくある 3 つの誤解

• 最も高いモデルだけを使う。 結果が要件を満たすかを比較しましょう。消費量が多くても良い回答になるとは限りません。
• 「速い」を「弱い」と捉える。 速度と能力は別の軸で、タスクごとに判断します。
• 一度不満でモデルを変える。 多くの場合、文脈を足すか要件を明確にするほうが、モデルを変えるより効きます。

まとめ

モデルは道具だと考えてください。軽量モデルは日常、バランスモデルはよくある創作、フラッグシップは複雑な問題。まず十分なものから始め、必要なら上げる——これが OHLAC で複数モデルを使う正しい姿勢です。

次はより良い AI 画像プロンプトの書き方を読むか、モデル説明で出発点を探せます。

Empiece con un principio

Elija el modelo más pequeño que resuelva la tarea y suba solo cuando realmente haga falta más capacidad.

Elija un modelo actualmente disponible según su tarea. OHLAC Auto todavía no está disponible.

Muchas tareas no necesitan un modelo flagship. Reserve los modelos más potentes para problemas realmente complejos: ahorra créditos y suele dar una respuesta útil antes.

Defina la tarea antes de comparar modelos

• Preguntas y organización: empiece con un modelo que explique con claridad y recoja los puntos clave.
• Redacción y edición: compare el tono, la estructura y el cumplimiento de sus requisitos.
• Análisis complejo y documentos largos: compare la cobertura de fuentes, el razonamiento y las omisiones.

Consulte candidatos en la guía de modelos. Compare por separado velocidad, entradas admitidas y consumo. Una etiqueta de gama alta no implica un precio fijo ni garantiza una respuesta mejor. Compruebe disponibilidad, entradas y consumo actuales en el espacio de trabajo.

Elegir por tarea

Preguntas cotidianas y orden rápido

Empiece con un modelo ligero. Datos, resúmenes, acortar un párrafo, convertir notas en una lista: un modelo ligero suele bastar y cuesta menos.

Escritura y reescritura

Un modelo equilibrado suele ser la mejor relación aquí. Controla mejor el tono, la estructura y la longitud, lo que encaja con correos, propuestas y primeros borradores. Si solo cambia el énfasis de una frase, basta con uno ligero.

Análisis complejo y decisiones importantes

Aquí los modelos flagship justifican su coste. Se mantienen más claros cuando la información es incompleta y las condiciones se contradicen, y detectan mejor una premisa que usted no había considerado. Cuando la respuesta influirá en una decisión real, merece la pena subir.

Documentos largos y lectura de material

Dejar que el modelo lea primero y responda después funciona mucho mejor que preguntar varias veces. Los modelos equilibrados y flagship manejan mejor el material largo y explican con más claridad lo complejo. Si el material es un PDF o un documento, déselo directamente a un modelo compatible: no hace falta transcribirlo antes.

Comparar puntos de vista y lluvia de ideas

Cuando quiere varias perspectivas y no una sola conclusión, los modelos Grok suelen encajar mejor. Sirven para el debate abierto y para poner posturas contrapuestas una al lado de otra.

Pregunte sobre una imagen con texto

Puede enviar una imagen en el chat y explicar por escrito qué quiere saber. Compruebe por separado la entrada de imágenes y la comprensión general de imágenes: aceptar una imagen no significa necesariamente comprender la escena. Si un modelo solo ofrece OCR, úselo para leer texto en imágenes. Consulte las capacidades en el espacio de trabajo actual, sin deducirlas del proveedor o del nombre de la familia.

Antes de enviar, compruebe tres aspectos por separado:

• Capacidad del modelo: si admite la entrada y la comprensión de imágenes que necesita la petición.
• Estado actual del servicio: si el modelo está abierto al uso, se puede seleccionar y está disponible ahora. Tener una capacidad no implica poder usarla en este momento.
• Condiciones de la cuenta: si el inicio de sesión, los permisos y el saldo cumplen los requisitos del espacio de trabajo.

La comprensión de imágenes en el chat sirve para preguntar sobre una imagen existente. Generar o editar una imagen a partir de una referencia pertenece a AI Image; consulte el uso de imágenes de referencia. Compruebe las capacidades y condiciones de cada función por separado.

Continúe después de un fallo con imágenes

Una petición fallida no significa que el modelo carezca permanentemente de soporte para imágenes. Si una entrada u opción no es compatible, quite la entrada no admitida y pruebe una petición de texto. También puede cambiar a un modelo disponible o iniciar una conversación nueva. Después del cambio, se deben comprobar de nuevo las capacidades del modelo actual; un error anterior de capacidad de imágenes no debería seguir bloqueando las nuevas peticiones.

Estas acciones no reintentan ni envían el borrador automáticamente: usted decide cuándo enviar. No se garantiza que un proveedor temporalmente no disponible se recupere de inmediato. Resuelva los problemas de inicio de sesión, permisos, disponibilidad y saldo según los avisos correspondientes.

Lea y compare respuestas del chat

Si el espacio de trabajo actual lo admite, las respuestas pueden usar los siguientes formatos. También pueden ser texto normal o Markdown; pedir tarjetas, una tabla o un gráfico no garantiza que se genere ese componente siempre.

• Tarjetas: lea el título y el resumen, y despliegue los detalles que necesite. El control sigue al resumen de su tarjeta; desplegar una no alarga las demás. En escritorio pueden mostrarse varias columnas y en móvil, una.
• Tablas: seleccione una cabecera para alternar el orden ascendente y descendente. El texto largo se ajusta en varias líneas y los números conservan su precisión original. Las tablas anchas se desplazan horizontalmente dentro de la propia tabla.
• Gráficos: cambie entre barras y líneas, o consulte todos los datos. Puede leer los datos con ratón, pantalla táctil o teclado. Base su juicio en los datos reales; los gráficos no añaden conclusiones sobre tendencias que los datos no respalden.

Los temas sugeridos ayudan a pedir comparaciones con tarjetas, tablas o gráficos. Seleccionarlos solo rellena el borrador; usted lo revisa y lo envía. Los temas de tablas y gráficos piden primero sus propios datos.

Al copiar una respuesta obtiene el texto completo, incluidos los detalles de tarjetas sin desplegar y todos los valores del gráfico; las tablas se copian en el orden actual. Cuando se añade más texto a la respuesta, el contenido ya completo conserva el despliegue, la ordenación y la vista del gráfico. Al actualizar o volver a cargar el historial, se conserva el contenido original, pero se restablecen esos estados temporales.

Pregunte lo mismo a otro modelo

En OHLAC no hace falta reescribir la pregunta para cambiar de modelo. Pasar la misma pregunta a un segundo modelo suele revelar el ángulo que la primera respuesta pasó por alto. Una rutina práctica:

1. Use un modelo ligero para obtener rápido una versión usable;
2. Si la respuesta se queda corta o va en otra dirección, pregunte de nuevo con uno equilibrado o flagship;
3. Compare las diferencias entre ambas respuestas, no solo cuál es más larga.

Tres errores comunes

• Usar solo el modelo más caro. Valore si el resultado cumple sus requisitos; consumir más créditos no garantiza una mejor respuesta.
• Tomar «rápido» por «débil». Velocidad y capacidad son dimensiones distintas; júzguelas según la tarea.
• Cambiar de modelo al primer descontento. A menudo ayuda más añadir contexto o precisar el requisito.

En resumen

Trate los modelos como herramientas distintas: ligeros para el día a día, equilibrados para la mayoría de los textos, flagship para problemas complejos. Empiece por el más pequeño que funcione y suba cuando haga falta: así se aprovechan varios modelos en OHLAC.

A continuación, lea Cómo escribir mejores descripciones de imagen o encuentre un punto de partida en la guía de modelos.

Satu prinsip untuk diingat

Pilih model terkecil yang cukup untuk pekerjaan, dan naikkan hanya ketika tugasnya benar-benar butuh kemampuan lebih.

Pilih model yang saat ini tersedia sesuai tugas. OHLAC Auto belum tersedia.

Banyak tugas tidak memerlukan model flagship. Simpan model terkuat untuk masalah yang benar-benar rumit: hemat kredit dan biasanya jawabannya lebih cepat didapat.

Tentukan tugas sebelum membandingkan model

• Pertanyaan dan peringkasan: mulai dengan model yang menjelaskan dengan jelas dan mencakup poin penting.
• Penulisan dan penyuntingan: bandingkan nada, struktur, dan kepatuhan pada permintaan.
• Analisis rumit dan dokumen panjang: bandingkan cakupan sumber, alasan, dan bagian yang terlewat.

Lihat kandidat di panduan model. Bandingkan kecepatan, input yang didukung, dan kredit secara terpisah. Label unggulan bukan harga tetap atau jaminan jawaban lebih baik. Periksa ketersediaan, input, dan biaya terkini di ruang kerja.

Memilih menurut tugas

Pertanyaan harian dan merapikan cepat

Utamakan model ringan. Fakta, ringkasan, memendekkan paragraf, mengubah catatan menjadi daftar — model ringan biasanya cukup dan lebih murah.

Menulis dan menyunting

Mulai dari model seimbang biasanya paling menguntungkan. Model ini lebih stabil menjaga nada, struktur, dan panjang, cocok untuk email, proposal, dan draf artikel. Kalau hanya menggeser penekanan satu kalimat, model ringan sudah cukup.

Analisis rumit dan keputusan penting

Di sinilah model flagship layak dipakai. Model ini tetap jernih saat informasi tidak lengkap dan syarat saling bertentangan, serta lebih baik menunjukkan premis yang belum Anda pertimbangkan. Ketika jawabannya akan memengaruhi keputusan nyata, naik ke flagship sepadan.

Dokumen panjang dan membaca materi

Membiarkan model membaca dulu lalu menjawab jauh lebih efektif daripada bertanya berulang. Model seimbang dan flagship lebih baik menangani materi panjang dan lebih mampu menjelaskan hal rumit dengan jelas. Kalau materinya PDF atau dokumen, berikan langsung ke model yang mendukung — tidak perlu menyalin ulang dulu.

Membandingkan pandangan dan bertukar ide

Bila Anda ingin beberapa sudut pandang, bukan satu kesimpulan, seri Grok sering lebih pas. Cocok untuk diskusi terbuka dan menaruh beberapa posisi berdampingan.

Bertanya tentang gambar dengan teks

Anda dapat mengirim gambar dalam chat lalu menjelaskan lewat teks apa yang ingin diketahui. Periksa dukungan input gambar dan pemahaman gambar umum secara terpisah: menerima gambar belum tentu berarti memahami adegannya. Jika model hanya menyediakan OCR, gunakan untuk membaca teks dalam gambar. Periksa kemampuan di ruang kerja saat ini, jangan menebaknya dari penyedia atau nama keluarga model.

Sebelum mengirim, periksa tiga hal secara terpisah:

• Kemampuan model: apakah model yang dipilih mendukung input dan pemahaman gambar yang dibutuhkan permintaan.
• Status layanan saat ini: apakah model sudah dibuka, dapat dipilih, dan tersedia sekarang. Memiliki kemampuan tidak berarti dapat digunakan saat ini.
• Syarat akun: apakah login, izin, dan saldo memenuhi persyaratan ruang kerja.

Pemahaman gambar dalam chat digunakan untuk bertanya tentang gambar yang sudah ada. Membuat atau menyunting gambar dengan referensi merupakan fitur AI Image; lihat penggunaan gambar referensi. Periksa kemampuan dan syarat masing-masing fitur secara terpisah.

Melanjutkan setelah permintaan gambar gagal

Satu permintaan yang gagal tidak berarti model selamanya tidak mendukung gambar. Jika input atau opsi permintaan tidak didukung, hapus input tersebut lalu coba permintaan teks. Anda juga bisa memilih model yang tersedia saat ini atau memulai percakapan baru. Setelah berganti model atau memulai percakapan baru, kemampuan model saat ini perlu diperiksa kembali; kesalahan kemampuan gambar sebelumnya seharusnya tidak terus menghalangi permintaan baru.

Tindakan ini tidak mencoba ulang atau mengirim draf secara otomatis: Anda tetap menentukan kapan mengirim. Penyedia yang sementara tidak tersedia tidak dijamin segera pulih. Tangani masalah login, izin, ketersediaan, dan saldo sesuai petunjuknya.

Membaca dan membandingkan jawaban chat

Jika didukung di ruang kerja saat ini, jawaban dapat memakai format berikut. Jawaban juga dapat berupa teks biasa atau Markdown; meminta kartu, tabel, atau grafik tidak menjamin komponen tersebut selalu dibuat.

• Kartu: baca judul dan ringkasan, lalu buka detail yang dibutuhkan. Tombol untuk membuka detail berada tepat setelah ringkasan kartu tersebut; membuka satu kartu tidak memanjangkan kartu lain. Desktop dapat menampilkan beberapa kolom, sedangkan ponsel satu kolom.
• Tabel: pilih judul kolom untuk berganti antara urutan naik dan turun. Teks panjang dibungkus ke baris berikutnya dan angka mempertahankan presisi aslinya. Tabel lebar dapat digulir secara horizontal di dalam tabel.
• Grafik: beralih antara grafik batang dan garis, atau lihat seluruh data. Data dapat dibaca dengan mouse, sentuhan, atau keyboard. Dasarkan penilaian pada data nyata; grafik tidak menambahkan kesimpulan tren yang tidak didukung data.

Topik yang disarankan membantu Anda meminta perbandingan dalam kartu, tabel, atau grafik. Memilih topik hanya mengisi draf; Anda meninjau lalu mengirimnya. Topik tabel dan grafik terlebih dahulu meminta data Anda sendiri.

Menyalin jawaban menghasilkan teks biasa yang lengkap, termasuk detail kartu yang belum dibuka dan semua nilai grafik; tabel disalin sesuai urutan saat ini. Ketika teks lain ditambahkan pada jawaban, konten yang telah lengkap mempertahankan detail yang terbuka, urutan, dan tampilan grafik. Menyegarkan halaman atau memuat ulang riwayat mempertahankan konten asli, tetapi mengatur ulang status interaksi sementara tersebut.

Ajukan pertanyaan yang sama ke model lain

Di OHLAC Anda tidak perlu menulis ulang pertanyaan untuk berganti model. Memberikan pertanyaan yang sama ke model kedua sering memunculkan sudut yang terlewat pada jawaban pertama. Kebiasaan yang praktis:

1. Pakai model ringan untuk cepat mendapat versi yang bisa dipakai;
2. Kalau jawabannya terasa dangkal atau salah arah, tanyakan lagi dengan model seimbang atau flagship;
3. Bandingkan perbedaan kedua jawaban, bukan hanya mana yang lebih panjang.

Tiga kesalahpahaman umum

• Hanya memakai model termahal. Nilai apakah hasil memenuhi kebutuhan; penggunaan kredit lebih tinggi tidak menjamin jawaban lebih baik.
• Menganggap "cepat" berarti "lemah". Kecepatan dan kemampuan adalah dua dimensi; nilailah sesuai kebutuhan tugas.
• Langsung ganti model saat kurang puas. Sering kali menambah konteks atau memperjelas permintaan lebih membantu.

Ringkasan

Anggap model sebagai alat berbeda: model ringan untuk harian, model seimbang untuk karya umum, model flagship untuk masalah rumit. Mulai dari yang cukup, naikkan bila perlu — itulah cara memakai beberapa model di OHLAC.

Selanjutnya baca Cara menulis prompt gambar AI yang lebih baik, atau cari titik awal di penjelasan model.

Một nguyên tắc cần nhớ

Chọn mô hình nhỏ nhất đủ dùng, chỉ nâng cấp khi công việc thật sự cần khả năng mạnh hơn.

Hãy chọn mô hình hiện có phù hợp với công việc. OHLAC Auto chưa khả dụng.

Nhiều công việc không cần mô hình flagship. Hãy để mô hình mạnh nhất cho những vấn đề thật sự phức tạp: tiết kiệm tín dụng và thường có kết quả dùng được nhanh hơn.

Xác định công việc trước khi so sánh mô hình

• Hỏi đáp và sắp xếp: bắt đầu bằng mô hình giải thích rõ và nêu đủ ý chính.
• Viết và chỉnh sửa: so sánh giọng văn, cấu trúc và việc tuân thủ yêu cầu.
• Phân tích phức tạp và tài liệu dài: so sánh độ bao quát nguồn, lập luận và điểm bỏ sót.

Xem ứng viên trong hướng dẫn mô hình. So sánh riêng tốc độ, đầu vào hỗ trợ và tín dụng. Nhãn cao cấp không phải mức giá cố định hay bảo đảm câu trả lời tốt hơn. Kiểm tra tình trạng, đầu vào và chi phí hiện tại trong không gian làm việc.

Chọn theo công việc

Hỏi đáp hằng ngày và sắp xếp nhanh

Ưu tiên mô hình nhẹ. Kiểm tra sự kiện, tóm tắt, rút ngắn một đoạn, biến ghi chú thành danh sách — mô hình nhẹ thường đã đủ và tốn ít hơn.

Viết và viết lại

Bắt đầu từ mô hình cân bằng thường là lựa chọn đáng giá nhất. Nó giữ giọng điệu, cấu trúc và độ dài ổn định hơn, phù hợp email, đề xuất và bản nháp. Nếu chỉ đổi trọng tâm một câu, mô hình nhẹ là đủ.

Phân tích phức tạp và quyết định quan trọng

Đây là lúc mô hình flagship xứng đáng. Chúng giữ mạch lạc khi thông tin thiếu và các điều kiện mâu thuẫn, đồng thời chỉ ra tiền đề bạn chưa nghĩ tới. Khi kết quả ảnh hưởng tới quyết định thật, nâng lên flagship là hợp lý.

Tài liệu dài và đọc tài liệu

Để mô hình đọc trước rồi trả lời hiệu quả hơn nhiều so với hỏi lại nhiều lần. Mô hình cân bằng và flagship xử lý tài liệu dài tốt hơn và cũng giỏi giải thích nội dung phức tạp. Nếu tài liệu là PDF hoặc văn bản, hãy đưa trực tiếp cho mô hình hỗ trợ — không cần chép lại trước.

So sánh quan điểm và động não

Khi bạn muốn nhiều góc nhìn thay vì một kết luận, dòng Grok thường phù hợp hơn. Chúng hợp với thảo luận mở và đặt các lập trường cạnh nhau.

Kết hợp hình ảnh và văn bản để đặt câu hỏi

Bạn có thể gửi ảnh trong chat và dùng văn bản để nói rõ muốn tìm hiểu điều gì. Hãy kiểm tra riêng khả năng nhận ảnh và hiểu hình ảnh nói chung: nhận được ảnh chưa chắc có nghĩa là hiểu được cảnh trong ảnh. Nếu mô hình chỉ cung cấp OCR, hãy dùng để đọc chữ trong ảnh. Kiểm tra khả năng trong không gian làm việc hiện tại, đừng suy đoán từ nhà cung cấp hay tên dòng mô hình.

Trước khi gửi, kiểm tra riêng ba yếu tố:

• Khả năng của mô hình: mô hình được chọn có hỗ trợ nhận và hiểu ảnh mà yêu cầu cần hay không.
• Trạng thái dịch vụ hiện tại: mô hình đã mở, có thể chọn và đang dùng được hay không. Có khả năng không có nghĩa là dùng được ngay lúc này.
• Điều kiện tài khoản: đăng nhập, quyền truy cập và số dư có đáp ứng yêu cầu của không gian làm việc hay không.

Hiểu hình ảnh trong chat dùng để đặt câu hỏi về ảnh có sẵn. Tạo hoặc chỉnh sửa ảnh từ ảnh tham chiếu thuộc tính năng AI Image; xem cách dùng ảnh tham chiếu. Hãy kiểm tra khả năng và điều kiện của từng tính năng riêng biệt.

Tiếp tục sau khi yêu cầu có ảnh thất bại

Một yêu cầu thất bại không có nghĩa là mô hình vĩnh viễn không hỗ trợ ảnh. Nếu đầu vào hoặc tùy chọn yêu cầu không được hỗ trợ, hãy bỏ đầu vào đó rồi thử yêu cầu bằng văn bản. Bạn cũng có thể chuyển sang mô hình hiện có hoặc bắt đầu cuộc trò chuyện mới. Sau khi chuyển mô hình hoặc mở cuộc trò chuyện mới, cần kiểm tra lại theo khả năng của mô hình hiện tại; lỗi khả năng ảnh cũ không nên tiếp tục chặn yêu cầu mới.

Những thao tác này không tự thử lại hay tự gửi bản nháp: bạn vẫn quyết định khi nào gửi. Không bảo đảm nhà cung cấp tạm thời không khả dụng sẽ khôi phục ngay. Xử lý vấn đề đăng nhập, quyền, trạng thái cung cấp và số dư theo thông báo tương ứng.

Đọc và so sánh câu trả lời trong chat

Khi không gian làm việc hiện tại hỗ trợ, câu trả lời có thể dùng các định dạng dưới đây. Câu trả lời cũng có thể là văn bản thường hoặc Markdown; yêu cầu thẻ, bảng hay biểu đồ không bảo đảm lần nào cũng tạo thành phần đó.

• Thẻ: đọc tiêu đề và tóm tắt, rồi mở chi tiết cần xem. Nút mở nằm ngay sau tóm tắt của từng thẻ; mở một thẻ không kéo dài các thẻ khác. Máy tính có thể hiển thị nhiều cột, điện thoại một cột.
• Bảng: chọn tiêu đề cột để chuyển giữa thứ tự tăng và giảm. Nội dung dài được xuống dòng, số giữ nguyên độ chính xác ban đầu. Bảng rộng cuộn ngang bên trong bảng.
• Biểu đồ: chuyển giữa cột và đường, hoặc xem toàn bộ dữ liệu. Có thể đọc dữ liệu bằng chuột, thao tác chạm và bàn phím. Hãy đánh giá dựa trên dữ liệu thực; biểu đồ không thêm kết luận xu hướng mà dữ liệu không hỗ trợ.

Chủ đề gợi ý giúp bạn yêu cầu so sánh bằng thẻ, sắp xếp thành bảng hoặc trình bày bằng biểu đồ. Chọn một chủ đề chỉ điền vào bản nháp; bạn xem lại rồi gửi. Chủ đề bảng và biểu đồ sẽ yêu cầu bạn cung cấp dữ liệu của mình trước.

Sao chép câu trả lời sẽ lấy văn bản thuần đầy đủ, gồm chi tiết thẻ chưa mở và mọi giá trị của biểu đồ; bảng được sao chép theo thứ tự hiện tại. Khi câu trả lời được thêm văn bản, phần đã hoàn chỉnh giữ nguyên trạng thái mở, sắp xếp và dạng biểu đồ. Làm mới hoặc tải lại lịch sử giữ nội dung gốc nhưng đặt lại những trạng thái tương tác tạm thời này.

Hỏi lại cùng câu hỏi với mô hình khác

Trong OHLAC bạn không cần gõ lại câu hỏi để đổi mô hình. Đưa cùng câu hỏi cho mô hình thứ hai thường làm lộ ra góc mà câu trả lời đầu bỏ qua. Cách làm thực tế:

1. Dùng mô hình nhẹ để nhanh có bản dùng được;
2. Nếu thấy câu trả lời hời hợt hoặc sai hướng, hỏi lại bằng mô hình cân bằng hoặc flagship;
3. So sánh khác biệt giữa hai câu trả lời, không chỉ xem cái nào dài hơn.

Ba hiểu lầm thường gặp

• Chỉ dùng mô hình đắt nhất. Đánh giá kết quả có đáp ứng yêu cầu không; dùng nhiều tín dụng hơn không bảo đảm câu trả lời tốt hơn.
• Coi "trả lời nhanh" là "yếu". Tốc độ và năng lực là hai chiều khác nhau; hãy đánh giá theo công việc.
• Vừa không hài lòng đã đổi mô hình. Thường thì thêm ngữ cảnh hoặc nói rõ yêu cầu sẽ hiệu quả hơn.

Tóm lại

Hãy coi các mô hình như những công cụ khác nhau: nhẹ cho hằng ngày, cân bằng cho phần lớn nội dung, flagship cho vấn đề phức tạp. Bắt đầu từ mô hình đủ dùng, nâng cấp khi cần — đó là cách dùng nhiều mô hình trong OHLAC.

Tiếp theo, đọc Cách viết mô tả ảnh AI tốt hơn, hoặc tìm điểm bắt đầu trong giới thiệu mô hình.

จำหลักการเดียวไว้ก่อน

เลือกโมเดลที่เพียงพอต่องานและประหยัดเครดิตกว่า ค่อยอัปเกรดเมื่องานต้องการความสามารถสูงขึ้นจริง ๆ

เลือกโมเดลที่ใช้ได้ในขณะนี้ให้เหมาะกับงาน OHLAC Auto ยังไม่เปิดใช้งาน

หลายงานไม่จำเป็นต้องใช้โมเดลเรือธง เก็บโมเดลที่แรงที่สุดไว้กับปัญหาที่ซับซ้อนจริง ๆ จะประหยัดเครดิตและมักได้คำตอบที่ใช้ได้เร็วกว่า

แยกประเภทงานก่อนเปรียบเทียบโมเดล

• คำถามทั่วไปและการจัดข้อมูล: เริ่มจากโมเดลที่อธิบายชัดเจนและเก็บประเด็นสำคัญครบ
• การเขียนและแก้ไข: เปรียบเทียบน้ำเสียง โครงสร้าง และการทำตามข้อกำหนด
• การวิเคราะห์ซับซ้อนและเอกสารยาว: เปรียบเทียบความครอบคลุม เหตุผล และสิ่งที่ตกหล่น

ดูตัวเลือกในคู่มือโมเดล เปรียบเทียบความเร็ว อินพุตที่รองรับ และเครดิตแยกกัน ป้ายเรือธงไม่ได้หมายถึงราคาคงที่หรือรับประกันคำตอบที่ดีกว่า ตรวจสอบสถานะ อินพุต และค่าใช้จ่ายปัจจุบันในพื้นที่ทำงาน

เลือกตามประเภทงาน

คำถามประจำวันและจัดระเบียบเร็ว

ให้ความสำคัญกับโมเดลเบา เรื่องข้อเท็จจริง สรุปความ ย่อหน้าให้สั้นลง เปลี่ยนบันทึกเป็นรายการ งานเหล่านี้โมเดลเบามักเพียงพอและใช้จ่ายน้อยกว่า

งานเขียนและเขียนใหม่

เริ่มจากโมเดลสมดุลมักคุ้มที่สุด ควบคุมน้ำเสียง โครงสร้าง และความยาวได้นิ่งกว่า เหมาะกับอีเมล ข้อเสนอ และร่างบทความ ถ้าแค่ปรับจุดเน้นของประโยคเดียว โมเดลเบาก็พอ

วิเคราะห์ซับซ้อนและการตัดสินใจสำคัญ

นี่คือจุดที่โมเดลเรือธงคุ้มค่า มันรักษาเหตุผลได้ชัดเมื่อข้อมูลไม่ครบและเงื่อนไขขัดกัน และชี้ให้เห็นข้อสมมติที่คุณยังไม่ได้คิด เมื่อคำตอบมีผลต่อการตัดสินใจจริง การอัปเกรดเป็นเรือธงจึงคุ้ม

เอกสารยาวและการอ่านเอกสาร

ปล่อยให้โมเดลอ่านก่อนแล้วค่อยตอบได้ผลกว่าการถามซ้ำหลายรอบ โมเดลสมดุลและเรือธงจัดการเอกสารยาวได้ดีกว่า และอธิบายเรื่องซับซ้อนให้เข้าใจง่ายกว่า ถ้าเอกสารเป็น PDF หรือไฟล์ ให้ส่งให้โมเดลที่รองรับอ่านได้เลย ไม่ต้องคัดลอกก่อน

เปรียบเทียบมุมมองและระดมความคิด

เมื่ออยากได้หลายมุมมองมากกว่าหนึ่งข้อสรุป ซีรีส์ Grok มักเหมาะกว่า ใช้กับการพูดคุยเปิดกว้างและวางจุดยืนต่าง ๆ ไว้เคียงกัน

ถามเกี่ยวกับภาพพร้อมข้อความ

คุณส่งภาพในแชทและใช้ข้อความอธิบายสิ่งที่อยากรู้ได้ ตรวจสอบการรับภาพและการเข้าใจภาพทั่วไปแยกกัน เพราะรับภาพได้ไม่ได้แปลว่าจะเข้าใจสิ่งที่อยู่ในภาพเสมอ หากโมเดลมีเฉพาะ OCR ให้ใช้เพื่ออ่านข้อความในภาพ ตรวจสอบความสามารถในพื้นที่ทำงานปัจจุบัน อย่าคาดเดาจากผู้ให้บริการหรือชื่อกลุ่มโมเดล

ก่อนส่ง ให้ตรวจสอบสามเรื่องแยกกัน:

• ความสามารถของโมเดล: โมเดลที่เลือก รองรับการรับและเข้าใจภาพที่คำขอต้องการหรือไม่
• สถานะบริการปัจจุบัน: โมเดลเปิดให้ใช้ เลือกได้ และพร้อมใช้งานในขณะนี้หรือไม่ การมีความสามารถไม่ได้แปลว่าจะเรียกใช้ได้ทันที
• เงื่อนไขบัญชี: การเข้าสู่ระบบ สิทธิ์ และยอดคงเหลือตรงตามข้อกำหนดของพื้นที่ทำงานหรือไม่

การเข้าใจภาพในแชทใช้สำหรับถามเกี่ยวกับภาพที่มีอยู่ ส่วนการสร้างหรือแก้ไขภาพจากภาพอ้างอิงเป็นฟีเจอร์ AI Image ดูวิธีในคู่มือภาพอ้างอิง และตรวจสอบความสามารถกับเงื่อนไขของแต่ละฟีเจอร์แยกกัน

ทำต่อเมื่อคำขอที่มีภาพล้มเหลว

คำขอที่ล้มเหลวครั้งเดียวไม่ได้หมายความว่าโมเดลจะไม่รองรับภาพตลอดไป หากมีข้อความแจ้งว่าไม่รองรับอินพุตหรือตัวเลือกคำขอ ให้เอาอินพุตที่ไม่รองรับออกแล้วลองส่งข้อความอย่างเดียว คุณอาจเปลี่ยนไปใช้โมเดลที่พร้อมใช้งานหรือเริ่มบทสนทนาใหม่ หลังเปลี่ยนโมเดลหรือเริ่มบทสนทนาใหม่ ควรตรวจสอบตามความสามารถปัจจุบันอีกครั้ง ข้อผิดพลาดเรื่องความสามารถด้านภาพจากคำขอเก่าไม่ควรขัดขวางคำขอใหม่ต่อไป

การทำเช่นนี้จะไม่ลองใหม่หรือส่งร่างให้อัตโนมัติ คุณยังต้องเลือกส่งเอง ไม่มีการรับประกันว่าผู้ให้บริการที่ไม่พร้อมใช้งานชั่วคราวจะกลับมาได้ทันที ให้จัดการปัญหาการเข้าสู่ระบบ สิทธิ์ สถานะการเปิดให้ใช้ และยอดคงเหลือตามข้อความแจ้งแต่ละประเภท

อ่านและเปรียบเทียบคำตอบในแชท

เมื่อพื้นที่ทำงานปัจจุบันรองรับ คำตอบอาจแสดงในรูปแบบด้านล่าง หรืออาจเป็นข้อความทั่วไปหรือ Markdown การขอการ์ด ตาราง หรือกราฟจึงไม่ได้รับประกันว่าจะสร้างองค์ประกอบนั้นทุกครั้ง

• การ์ด: อ่านหัวข้อและสรุป แล้วขยายรายละเอียดที่ต้องการ ปุ่มขยายอยู่ต่อจากสรุปของการ์ดนั้น การขยายหนึ่งการ์ดไม่ทำให้การ์ดอื่นยาวขึ้น เดสก์ท็อปอาจแสดงหลายคอลัมน์ ส่วนมือถือแสดงคอลัมน์เดียว
• ตาราง: เลือกหัวคอลัมน์เพื่อสลับเรียงจากน้อยไปมากและมากไปน้อย ข้อความยาวจะขึ้นบรรทัดใหม่ และตัวเลขคงความละเอียดเดิม ตารางที่กว้างเลื่อนแนวนอนภายในตาราง
• กราฟ: สลับกราฟแท่งกับกราฟเส้น หรือดูข้อมูลทั้งหมดได้ ใช้เมาส์ การสัมผัส หรือแป้นพิมพ์อ่านข้อมูลได้ ให้ตัดสินจากข้อมูลจริง กราฟจะไม่เติมข้อสรุปแนวโน้มที่ข้อมูลไม่รองรับ

หัวข้อแนะนำช่วยให้ขอเปรียบเทียบด้วยการ์ด จัดเป็นตาราง หรือแสดงกราฟได้ การเลือกหัวข้อจะเติมร่างเท่านั้น คุณตรวจสอบแล้วส่งเอง หัวข้อตารางและกราฟจะขอให้คุณส่งข้อมูลของตัวเองก่อน

เมื่อคัดลอกคำตอบ จะได้ข้อความธรรมดาครบถ้วน รวมรายละเอียดการ์ดที่ยังไม่ขยายและค่าทั้งหมดในกราฟ ตารางจะคัดลอกตามลำดับการเรียงปัจจุบัน เมื่อคำตอบมีข้อความเพิ่ม เนื้อหาที่แสดงครบแล้วจะคงสถานะการขยาย การเรียง และมุมมองกราฟไว้ การรีเฟรชหรือโหลดประวัติใหม่จะคงเนื้อหาต้นฉบับ แต่รีเซ็ตสถานะการโต้ตอบชั่วคราวเหล่านี้

ถามคำถามเดิมซ้ำกับอีกโมเดล

ใน OHLAC คุณไม่ต้องพิมพ์คำถามใหม่เพื่อเปลี่ยนโมเดล การยกคำถามเดิมให้โมเดลที่สองมักเผยมุมที่คำตอบแรกมองข้าม วิธีที่ใช้ได้จริง:

1. ใช้โมเดลเบาเพื่อได้เวอร์ชันที่ใช้ได้เร็ว ๆ
2. ถ้าคำตอบตื้นหรือผิดทาง ให้ถามใหม่ด้วยโมเดลสมดุลหรือเรือธง
3. เทียบความต่างของสองคำตอบ ไม่ใช่ดูว่าอันไหนยาวกว่า

ความเข้าใจผิดที่พบบ่อยสามข้อ

• ใช้เฉพาะโมเดลที่แพงที่สุด ให้ดูว่าผลลัพธ์ตรงความต้องการหรือไม่ การใช้เครดิตมากขึ้นไม่ได้รับประกันคำตอบที่ดีกว่า
• คิดว่า "ตอบเร็ว" คือ "อ่อนแอ" ความเร็วและความสามารถเป็นคนละมิติ ให้ตัดสินตามงาน
• ไม่พอใจนิดเดียวก็เปลี่ยนโมเดล ส่วนใหญ่การเพิ่มบริบทหรือบอกความต้องการให้ชัดช่วยได้มากกว่า

สรุป

มองโมเดลเป็นเครื่องมือคนละแบบ: เบาสำหรับงานประจำวัน สมดุลสำหรับงานเขียนทั่วไป เรือธงสำหรับปัญหาซับซ้อน เริ่มจากตัวที่เพียงพอก่อน แล้วค่อยอัปเกรดเมื่อจำเป็น — นั่นคือวิธีใช้หลายโมเดลใน OHLAC

อ่านต่อได้ที่ เขียนคำบรรยายภาพ AI ให้ดีขึ้นได้อย่างไร หรือหาแนวทางเริ่มต้นในคำอธิบายโมเดล