SFT의 학습 형식이 최적 질문 양식을 정할까요?
SFT는 좋은 입력·답변 예시로 응답 행동을 조정하는 방법입니다. 공개된 고객용 SFT 문서는 messages와 user/assistant 역할을 사용하는 학습 데이터를 설명합니다. 이것이 각 ChatGPT 모델의 실제 내부 학습 원문을 보여주는 것은 아닙니다. Supervised fine-tuning ↗
행동과 권장 사용법
일부 모델의 학습 목표, 지시를 따르는 특성, 공개 프롬프트 지침은 확인할 수 있습니다. 아래에 적용 범위를 표시했습니다. ‘학습된 특성’이라는 설명을 특정 SFT 단계의 인과효과로 단정하지 않습니다.
내부 SFT 원문과 최적 양식
검토한 문서로는 모델별 전체 SFT 데이터·배합·고정 Q&A 양식이나, 모든 작업에서 가장 효율적인 문법을 확정할 수 없습니다.
학습 데이터와 대화 프롬프트의 차이
아래는 구조를 설명하려고 직접 만든 한 건의 학습 데이터 예시입니다. 모델의 실제 학습 샘플이나 실행 가능한 전체 데이터셋이 아닙니다. 대화창에서는 JSONL 포장 대신 필요한 작업을 자연어로 요청하면 됩니다.
{
"messages": [
{
"role": "user",
"content": "메모에서 날짜만 추출: 검토 회의는 11월 12일입니다."
},
{
"role": "assistant",
"content": "11월 12일"
}
]
}형식의 세 층을 구분해야 합니다
- 학습 레코드
- SFT용 입력·정답 쌍입니다. 고객용 업로드 형식이 실제 ChatGPT의 내부 학습 원문을 뜻하지는 않습니다.
- 메시지 역할
- API의 developer·user는 요청의 역할 메타데이터입니다. 대화 본문에 “system:”이나 XML 태그를 적는 것만으로 그 권한이 생기지는 않습니다.
- 본문 구조
- 제목·태그·예시는 지시와 자료를 구분합니다. 예시를 넣어 패턴을 보여주는 few-shot은 추가 학습을 실행하는 SFT와 다릅니다.
역할·구분자·few-shot의 기능은 공식 문서에 나옵니다. 따라서 SFT 업로드 형식을 대화창에 그대로 재현해야 한다는 결론은 이 자료에서 나오지 않습니다. Prompt engineering · Roles / Formatting / Few-shot ↗
목표 → 필요한 자료 → 중요한 제약 → 원하는 출력 → 완료 기준. 간단한 일은 이 중 필요한 내용만 한두 문장으로 쓰세요. ChatGPT Learn · Prompting ↗
같은 질문도 강조할 부분은 다릅니다
공식 권장은 문서에 직접 제시된 방향입니다. 적용 제안은 문서에 나온 용도에 맞춰 작성한 우리의 시작점이며, 해당 모델에서 우월성을 실측한 결과가 아닙니다. 과거 가이드에는 해당 모델의 설명 당시 조건을 표시했습니다. 현재 모델 4개의 적용형 질문은 위 비교 실험에서 별도로 평가했습니다.
ChatGPT · 공통
공식 지침 기반일반 대화의 출발점
특정 형식보다 필요한 목표·자료·결과를 전달하라는 공식 안내가 있습니다.
질문에 반영할 점간단한 일은 한두 문장으로 시작하고, 실패한 조건만 보강하세요.
이 모델의 시작 틀 보기 →GPT-6 Astra
공식 지침 기반공식 모델별 프롬프트 지침
추가 질문·자세한 서식·검증 범위에 대한 동작이 설명돼 있습니다. SFT 원문은 제시하지 않습니다.
“more likely to ask for clarification”Prompting best practices / Initiative and follow-through질문에 반영할 점완료 조건, 스스로 판단해도 되는 범위, 원하는 답변 길이를 명시하세요.
이 모델의 시작 틀 보기 →GPT-6.1 Sol
적용 제안Work·Codex / 적용 제안
문서·앱·코드를 오가는 반복 작업 용도가 소개됩니다. 전용 Q&A 양식의 우위는 확인하지 못했습니다.
질문에 반영할 점여러 자료의 우선순위와 최종 납품물을 정해 주세요.
이 모델의 시작 틀 보기 →GPT-6.1 Terra
적용 제안Work·Codex / 적용 제안
글쓰기·시각 자료 해석 용도가 소개됩니다. 아래 문구는 그 용도에 맞춘 편집 제안입니다.
질문에 반영할 점이미지라면 살펴볼 영역·축·단위를 지정하고, 읽히지 않는 부분을 구분하세요.
이 모델의 시작 틀 보기 →GPT-6 Luna
적용 제안Work·Codex / 적용 제안
분류·추출 등 범위가 명확한 반복 작업 용도가 소개됩니다. 별도 SFT 형식은 확인하지 못했습니다.
질문에 반영할 점한 번에 한 작업, 허용 값, 정보가 없을 때의 처리를 정하세요.
이 모델의 시작 틀 보기 →GPT-4.1
과거 모델 지침과거 모델 / 보관된 공식 가이드
이전 모델보다 지시를 더 문자 그대로 따르도록 학습했다고 설명합니다. 이 문서에는 상세 SFT 배합이 없습니다.
“more closely and more literally than its predecessors”Introduction / Instruction Following질문에 반영할 점암묵적인 기대를 규칙으로 쓰고, 출력 예시와 지시가 충돌하지 않게 하세요.
이 모델의 시작 틀 보기 →o3 / o4-mini
과거 모델 지침기존 추론 모델 가이드
복잡한 문제에 더 오래 추론하도록 학습했다고 설명합니다. 내부 추론의 상세 출력을 요구할 필요는 없다고 안내합니다.
“Keep prompts simple and direct”How to prompt reasoning models effectively질문에 반영할 점명확한 목표와 제약으로 예시 없이 시작하세요. 형식이 흔들릴 때만 일관된 예시를 추가하세요.
이 모델의 시작 틀 보기 →모델별 지침의 적용 조건
GPT-4.1 가이드는 긴 자료의 앞뒤에 지시를 배치하는 방식을 권하고, 단계별 문제 분해가 품질을 도울 수 있지만 출력 토큰·지연이 늘 수 있다고 설명합니다. 이는 GPT-4.1의 조건부 지침입니다. GPT-4.1 Prompting Guide ↗
반면 o 계열 지침은 내부 추론을 이미 수행하므로 추론 과정을 요구하는 문구가 불필요하다고 안내합니다. 계산식·인용·검증 가능한 근거를 짧게 요청하는 것과 내부 사고 전체를 출력시키는 것은 구분해야 합니다. 추론 기능은 모델별 문서와 실행 설정에서 확인하세요. Reasoning best practices ↗
Markdown·XML·JSON 중 무엇이 가장 좋을까요?
형식은 용도에 맞춰 고르세요. 구분자로 지시와 자료를 나누고, 사람이 읽을 문서는 읽기 쉽게, 프로그램이 처리할 출력은 스키마에 맞춰 작성하세요. Reasoning best practices ↗
API에서 지원 모델의 Structured Outputs를 쓰면 출력 스키마를 강제할 수 있습니다. 대화창에 “JSON으로 답해”라고 적는 것과는 다르며, 스키마 준수가 사실의 정확성까지 보장하지는 않습니다. Structured Outputs ↗
내 작업에 맞게 채우고 복사하세요
아래 모델 선택은 요청 문구의 안내만 바꿉니다. 실제 모델을 실행하거나 ChatGPT의 모델을 바꾸지 않습니다. 입력 내용은 이 페이지에서만 처리하며 저장·전송하지 않습니다.
공식 지침 기반 간단한 일은 한두 문장으로 시작하고, 실패한 조건만 보강하세요.
공식 지침 기반 완료 조건, 스스로 판단해도 되는 범위, 원하는 답변 길이를 명시하세요.
적용 제안 여러 자료의 우선순위와 최종 납품물을 정해 주세요.
적용 제안 이미지라면 살펴볼 영역·축·단위를 지정하고, 읽히지 않는 부분을 구분하세요.
적용 제안 한 번에 한 작업, 허용 값, 정보가 없을 때의 처리를 정하세요.
과거 모델 지침 암묵적인 기대를 규칙으로 쓰고, 출력 예시와 지시가 충돌하지 않게 하세요.
과거 모델 지침 명확한 목표와 제약으로 예시 없이 시작하세요. 형식이 흔들릴 때만 일관된 예시를 추가하세요.
복사한 뒤 사용하는 화면에서 모델을 직접 선택하세요. 현재 실측 범위는 한국어 합성 과제 4개와 JSON 출력입니다. 자신의 작업에서도 정확도와 수정 부담을 확인하세요.
기본 예제의 채점 기준 보기
직접 작성한 기준 답안: A안은 10 + 2×4 = 18시간, B안은 4 + 4×4 = 20시간입니다. 시간만 보면 A안이 2시간 적지만 기능·정확도는 미확인이므로 전체 우열은 조건부입니다. 이 숫자와 유보 조건을 지키는지 채점하세요. 모델이 생성한 답변이나 벤치마크 결과는 아닙니다.
답변 전체를 다시 설명할 필요는 없습니다
같은 대화에서 맞았던 내용은 유지하고, 틀린 사실·추가 제약·원하는 수정본을 지정하세요. 아래는 우리가 만든 후속 질문 틀입니다. ChatGPT Learn · Prompting ↗
유지할 내용: [맞았던 결론·조건]
수정할 내용: [틀린 사실 또는 빠진 요구]
추가 자료: [새 근거]
다시 받을 형태: [바뀐 부분만 / 전체 수정본]
수정 후 [확인할 항목]을 점검해 주세요.가장 효율적인 형태는 어떻게 찾을까요?
먼저 통과해야 할 품질을 정하고, 그 품질을 만족하는 후보끼리 시간·비용·수정 횟수를 비교하세요. 짧은 답변이나 낮은 토큰 수만으로 승자를 정하지 않습니다. 작업별 평가와 사람의 검토가 필요합니다. Evaluation best practices ↗
- 같은 작업과 채점표
대표 작업 10~20건으로 소규모 점검을 시작할 수 있습니다. 이는 이 사이트의 실험 제안이며 충분한 통계 표본이라는 뜻은 아닙니다. 사실 오류·누락·출력 형식을 먼저 채점합니다.
- 한 번에 변수 하나
모델·자료·도구·추론 설정을 고정하고, 간단한 질문과 구조화한 질문을 비교합니다. 모델 간 비교는 같은 질문으로 별도 수행하세요. 같은 사례도 여러 번 실행해 변동을 기록합니다.
- 실제 사용 비용
ChatGPT에서는 대기 시간·수정 턴·최종 사용 가능 여부를 기록하세요. API에서는 입력·출력·사용량에 노출되는 추론 토큰, 실행 비용, 도구 비용도 따로 기록합니다.
위 실측 표에서 과제·설정·원자료를 확인할 수 있습니다. 모델 버전이나 작업이 달라지면 같은 기준으로 다시 측정하세요.
출처와 확인 범위
2026-11-08에 공식 문서 원문을 확인했습니다. 검색 캐시에 이전 모델명이 남아 있어 현재 Markdown 원문과 대조했습니다. 위 비교 실험은 별도의 합성 과제와 고정된 채점 기준으로 실행했습니다.
- Prompt engineering · Roles / Formatting / Few-shot ↗
메시지 역할의 우선순위, Markdown/XML의 경계 표시, 학습 대신 예시를 넣는 few-shot을 구분.
- ChatGPT Learn · Prompting ↗
일반 대화의 목표·맥락·출력·경계 설정. 정해진 문법은 필요하지 않다는 안내.
- Supervised fine-tuning ↗
고객이 수행하는 SFT의 입력·정답 예시와 messages/JSONL 형식. ChatGPT 내부 학습 데이터 공개 자료는 아님.
- GPT-6 Astra · Prompting best practices ↗
Astra에서 관찰된 동작과 지시 방법. 다른 GPT-6 모델에는 작업별 평가가 필요하다고 명시.
- ChatGPT Learn · Models ↗
ChatGPT Work·Codex의 모델별 용도. 일반 Chat의 모델 선택 목록과 구분.
- GPT-4.1 Prompting Guide ↗
지시를 더 문자 그대로 따르도록 학습했다는 설명. 현재 보관된 과거 모델 가이드.
- Reasoning best practices ↗
o 계열 중심의 명확한 지시·zero-shot 우선·추론 과정 강요 지양 지침.
- Structured Outputs ↗
API의 스키마 준수 기능. 대화창에서 JSON을 요청하는 것과 구분.
- Evaluation best practices ↗
작업별 평가 기준·대표 사례·사람의 검토를 통한 반복 검증.