Background Mode 와 Reasoning Effort

Background mode 와 reasoning effort 는 서로 다른 축을 조절해. background 는 요청을 제출하고 상태를 확인한 뒤 결과를 가져오는 전달 방식이고, reasoning effort 는 모델이 내부 추론에 쓸 token 양을 정해.

background=True 는 오래 걸리는 job 에 써

60 초 넘게 걸릴 수 있는 deep-research 호출은 background mode 가 알맞아. HTTP connection 을 끝까지 열어두는 대신 작업을 제출하고 상태를 polling 한 뒤 완료된 결과를 가져와. 즉시 대화가 필요한 chat 에는 맞지 않아.

reasoning_effort 는 비용과 바로 이어져

o-series 의 reasoning token 은 사용자에게 보이지 않지만 output 요율로 과금돼. 'high' 가 'low' 보다 5~10 배 많은 token 을 쓸 수도 있어. usage.reasoning_tokens 를 항상 기록해.

필요하면 두 설정을 함께 써

background=True 와 reasoning_effort='high' 를 함께 쓰면 몇 분 걸리는 깊은 조사 작업을 안정적으로 처리할 수 있어. 두 설정은 따로 쓸 수도 있으니 작업마다 품질과 비용이 균형을 이루는 지점을 찾아.

Code

background=True submit + poll·python

import time

# Submit async job
response = client.responses.create(
    model="o3",
    input="Solve this complex math problem...",
    background=True,
)
job_id = response.id

# Poll for completion
while True:
    result = client.responses.retrieve(job_id)
    if result.status == "completed":
        print(result.output_text)
        break
    time.sleep(5)

o3 의 reasoning_effort='high'·python

response = client.responses.create(
    model="gpt-5.4",
    input="Design an efficient sorting algorithm for a trillion integers.",
    reasoning={
        "effort": "high",          # "low", "medium", "high"
        "generate_summary": True,
        "summary": "concise",      # "concise", "detailed", "auto"
    },
)

# Access reasoning summary
for item in response.output:
    if item.type == "reasoning":
        print("Reasoning:", item.summary_text)

background=True 는 오래 걸리는 job 에 써

reasoning_effort 는 비용과 바로 이어져

필요하면 두 설정을 함께 써

Code

External links

Exercise

Progress

댓글 0