model_spec
model_spec 是 OpenAI 公开的一份核心规范文档，旨在明确定义其旗下产品及 API 背后人工智能模型的理想行为准则。它详细阐述了模型在面对各类指令时应遵循的原则、边界及交互方式，相当于为 AI 的行为表现制定了一套“宪法”。
这一规范主要解决了大模型在实际应用中行为不可预测、输出风格不一致以及安全对齐难以量化等痛点。通过建立统一的标准，model_spec 让开发者能够更准确地预判模型反应，减少因模型“幻觉”或越界行为带来的风险，同时也为评估模型性能提供了客观依据。
这份资源特别适合 AI 应用开发者、提示词工程师、研究人员以及关注 AI 伦理与安全的产品设计师使用。开发者可据此优化应用逻辑，研究人员能将其作为对齐研究的参考基准，而设计师则能更好地规划人机交互流程。
model_spec 最独特的亮点在于其完全开放的姿态：它不仅以易读的 Markdown 和 HTML 形式托管在 GitHub 上，方便社区随时查阅历史版本与更新日志，更被创造性地通过 CC0 协议捐赠给公共领域。这意味着全球任何人都可以自由引用、修改甚至将其作为行业标准的基础，极大地推动了 AI 行为规范的透明化与协作发展。
使用场景
某金融科技公司正在开发一款面向客户的智能投顾助手，需要确保模型在提供投资建议时严格遵循合规要求并保持一致的回复风格。
没有 model_spec 时
- 模型偶尔会忽略“不提供具体买卖点位”的安全指令，导致合规风险激增。
- 不同版本的模型更新后，回复语气忽而严肃忽而随意，破坏用户体验的一致性。
- 开发团队需花费大量时间编写复杂的提示词（Prompt）来反复约束模型行为，维护成本极高。
- 当模型出现越界行为时，缺乏官方标准依据向内部风控部门解释或进行针对性微调。
使用 model_spec 后
- 模型底层行为被明确规范，自动拒绝生成具体的买卖点位建议，从源头消除合规隐患。
- 无论模型如何迭代，其回复始终维持专业、客观且富有同理心的统一风格，提升用户信任度。
- 团队直接引用 model_spec 作为行为基准，大幅简化提示词工程，将开发重心转向业务逻辑优化。
- 遇到行为偏差时，技术人员可对照 spec 条款快速定位问题，并与模型供应商进行高效的技术对齐。
model_spec 通过确立标准化的行为准则，让开发者从繁琐的提示词调试中解放出来，确保 AI 应用在安全与一致性上达到企业级标准。
运行环境要求
未说明
未说明
快速开始
OpenAI 模型规范
模型规范规定了 OpenAI 产品（包括我们的 API）所基于的模型应具备的行为。
您可以在 model-spec.openai.com 查看最新版本的、便于人类阅读的模型规范；或访问 OpenAI 博客 了解更多关于模型规范的信息；亦可查阅最新的 发布说明。
本仓库包含模型规范的 Markdown 源文件，以及自 2025 年 2 月 12 日第二次发布以来的所有已发布 HTML 版本的归档。
许可协议
模型规范已被奉献至公有领域，并采用 知识共享 CC0 1.0 协议进行标注。
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。