# Comparação de modelos de IA usando tarefas diferentes Explore exemplos reais de tarefas comuns do desenvolvedor, juntamente com exemplos de prompts, respostas e diretrizes para ajudar você a escolher o modelo de IA certo para seu fluxo de trabalho. ## Visão geral Cada modelo de IA com suporte no Bate-papo do Copilot tem vantagens diferentes. Para ajudar você a decidir qual modelo usar, este artigo fornece exemplos reais de tarefas comuns do desenvolvedor, juntamente com prompts de exemplo, respostas e diretrizes sobre por que um modelo específico é uma boa opção. Esses exemplos mostram como os modelos variam em seu estilo de raciocínio, profundidade de resposta e capacidade de lidar com a entrada visual. Use-os para comparar a qualidade da saída e escolher o modelo certo para seu fluxo de trabalho específico. Para obter uma lista completa de modelos com suporte e comparações de recursos lado a lado, confira [Comparação de modelos de IA](/pt/copilot/reference/ai-models/model-comparison). ## GPT-4.1 O GPT-4.1 é uma boa opção para tarefas comuns de desenvolvimento que se beneficiam de velocidade, capacidade de resposta e raciocínio de uso geral. Se você está trabalhando em tarefas que exigem conhecimento amplo, iteração rápida ou compreensão básica de código, o GPT-4.1 provavelmente é o modelo a ser usado. ### Cenário de exemplo Considere um cenário em que você está escrevendo funções auxiliares para access control em um serviço Python. Você deseja adicionar docstrings para esclarecer a finalidade da função. Abaixo está a função auxiliar que concede acesso de editor a um documento: ```python id=grant-editor-access def grant_editor_access(user_id, doc_id): access = AccessManager() access.assign_role( resource_type="document", resource_id=doc_id, role="editor", user_id=user_id ) ``` ### Exemplo de prompt ```copilot prompt copy ref=grant-editor-access Add a docstring to the function that explains what it does. ``` ### Exemplo de resposta > \[!NOTE] A resposta a seguir é um exemplo. Respostas do Bate-papo do Copilot são não determinísticas, portanto, você pode obter uma resposta diferente da mostrada aqui. ```python def grant_editor_access(user_id, doc_id): """ Grants editor access to a specific document for a given user. This function uses the AccessManager to assign the "editor" role to the specified user for the provided document ID. Args: user_id (str): The ID of the user to grant access to. doc_id (str): The ID of the document to which access is being granted. """ access = AccessManager() access.assign_role( resource_type="document", resource_id=doc_id, role="editor", user_id=user_id ) ``` ### Por que o GPT-4.1 é uma boa opção? * A função é curta e independente, tornando-a ideal para a geração rápida de docstrings. * O GPT-4.1 pode reconhecer o padrão e fornecer uma explicação clara e concisa. * A tarefa não requer raciocínio profundo ou lógica complexa. ## Mini GPT-5 OpenAI Mini GPT-5 é um modelo rápido e econômico projetado para tarefas de codificação simples ou repetitivas. Ele fornece respostas confiáveis e concisas com latência muito baixa, tornando-o ideal para sugestões em tempo real e fluxos de trabalho de desenvolvimento leves. Mini GPT-5 é otimizado para velocidade e capacidade de resposta, para que você possa iterar rapidamente pequenas alterações no código ou obter feedback instantâneo sobre prompts diretos. ### Cenário de exemplo Suponha que você esteja criando o script de um utilitário e precise filtrar uma lista de registros de usuário para incluir apenas usuários ativos, classificados pela data de inscrição. A tarefa é simples e não requer raciocínio profundo nem lógica de várias etapas. Aqui está uma lista de amostra de usuários: ```python id=user-list users = [ {"name": "Alice", "active": True, "signup_date": "2023-12-10"}, {"name": "Bob", "active": False, "signup_date": "2023-11-05"}, {"name": "Charlie", "active": True, "signup_date": "2024-01-15"} ] ``` ### Exemplo de prompt ```copilot prompt copy ref=user-list Filter the list of users to only include active users, and sort them by signup_date. ``` ### Exemplo de resposta > \[!NOTE] A resposta a seguir é um exemplo. Respostas do Bate-papo do Copilot são não determinísticas, portanto, você pode obter uma resposta diferente da mostrada aqui. ```python # Filter to only include active users active_users = [user for user in users if user["active"]] # Sort active users by signup_date active_users_sorted = sorted(active_users, key=lambda user: user["signup_date"]) print(active_users_sorted) ``` ### Por que Mini GPT-5 é uma boa opção * A tarefa é simples e se beneficia de respostas rápidas e de baixa latência. * Mini GPT-5 é otimizado em termos de custo e velocidade, tornando-o ideal para edições rápidas, prototipagem e código utilitário. * Use esse modelo quando quiser respostas confiáveis para perguntas de codificação simples sem esperar por profundidade desnecessária. ## GPT-5.2 GPT-5.2 permite entrada de imagens para que os desenvolvedores possam incorporar contexto visual em tarefas como inspeção de interface do usuário, análise de diagramas ou depuração de layout. Isso torna GPT-5.2 particularmente útil para cenários em que a entrada baseada em imagem aprimora a resolução de problemas, como pedir a Copilot para analisar uma captura de tela da interface do usuário em busca de problemas de acessibilidade ou para ajudar a entender um bug visual em um layout. ### Cenário de exemplo Você está criando um sistema de carrinhos de compras e tem um diagrama de classe UML que descreve as relações entre `Cart`, `Product`, `User`e `Order`. Em vez de escrever o sistema do zero, você deseja carregar a imagem do diagrama e solicitar que o Copilot gere as classes. ![Captura de tela de um diagrama UML do carrinho de compras, mostrando os detalhes da classe para Cart, Product, User e Order.](/assets/images/help/copilot/shopping-cart-uml.png) ### Exemplo de prompt ```copilot copy Use this UML diagram to generate the classes for a shopping cart system. ``` ### Exemplo de resposta > \[!NOTE] A resposta a seguir é um exemplo. Respostas do Bate-papo do Copilot são não determinísticas, portanto, você pode obter uma resposta diferente da mostrada aqui. O Copilot gerará uma classe para cada uma das classes no diagrama, incluindo as relações entre elas. Aqui está o código de exemplo gerado para a classe `Cart`: ```python from cart_item import CartItem from order import Order class Cart: def __init__(self, cart_id, user_id): self.cart_id = cart_id self.user_id = user_id self.items = [] def add_item(self, item): self.items.append(item) def remove_item(self, item): self.items = [i for i in self.items if i != item] def calculate_total(self): return sum(item.quantity * item.product.price for item in self.items) def place_order(self): # Implementation for placing an order return Order("", None, 0) ``` ### Por que o GPT-5.2 é uma boa opção? * Pode interpretar ativos visuais, como diagramas UML, wireframes ou fluxogramas, para gerar a estrutura básica de código ou sugerir a arquitetura. * Pode ser útil para revisar capturas de tela de layouts de interface do usuário ou designs de formulários e geração. ## Claude Haiku 4.5 Claude Haiku 4.5 é uma boa opção para suporte de codificação do dia a dia, incluindo escrever documentação, responder a perguntas específicas da linguagem ou gerar código padrão. Oferece respostas úteis e diretas sem complicar demais a tarefa. Se você estiver trabalhando dentro de restrições de custo, Claude Haiku 4.5 é recomendado, pois oferece um desempenho sólido em muitas das mesmas tarefas que Claude Soneto 4.5, mas com menor uso de recursos. ### Cenário de exemplo Considere um cenário em que você está implementando testes de unidade e testes de integração para um aplicativo. Você deseja garantir que os testes sejam abrangentes e abranjam quaisquer casos extremos, pensados ou não. Para obter um passo a passo completo do cenário, consulte [Escrevendo testes com GitHub Copilot](/pt/copilot/tutorials/writing-tests-with-github-copilot). ### Por que Claude Haiku 4.5 se encaixa bem * Ele tem um bom desempenho em tarefas diárias de codificação, como geração de testes, estrutura básica e lógica de validação. * A tarefa tende para o raciocínio de várias etapas, mas ainda permanece dentro da zona de confiança de um modelo menos avançado porque a lógica não é muito profunda. ## Claude Soneto 4.5 Claude Soneto 4.5 se destaca em todo o ciclo de vida de desenvolvimento de software, desde o projeto inicial até as correções de bugs, passando pela manutenção e pelas otimizações. É particularmente adequado para a refatoração de vários arquivos ou o planejamento arquitetônico, em que a compreensão do contexto entre os componentes é importante. ### Cenário de exemplo Considere um cenário em que você está modernizando um aplicativo COBOL herdado reescrevendo-o em Node.js. O project envolve a compreensão do código-fonte desconhecido, a conversão da lógica entre idiomas, a criação iterativa da substituição e a verificação da correção por meio de um conjunto de testes. Para obter um passo a passo completo do cenário, consulte [Modernizando o código herdado com GitHub Copilot](/pt/copilot/tutorials/modernizing-legacy-code-with-github-copilot). ### Por que Claude Soneto 4.5 é uma boa opção * Claude Soneto 4.5 lida bem com contextos complexos, tornando-o adequado para fluxos de trabalho que abrangem vários arquivos ou idiomas. * Sua arquitetura de raciocínio híbrido permite alternar entre respostas rápidas e solução de problemas passo a passo mais profunda. ## Leitura adicional * [Comparação de modelos de IA](/pt/copilot/reference/ai-models/model-comparison) * [Livro de Receitas do GitHub Copilot Chat](/pt/copilot/copilot-chat-cookbook)