Un model de limbaj obișnuit începe să scrie răspunsul imediat, token cu token. Un model de raționament generează întâi tokeni de raționament: descompune problema, încearcă variante, își verifică pașii și abia apoi scrie răspunsul vizibil. Primele modele larg cunoscute de acest tip au fost o1 de la OpenAI (septembrie 2024) și DeepSeek-R1 (ianuarie 2025, cu ponderi publice). Termenul pe scurt este explicat în pagina de glosar Model de raționament.
Comportamentul se obține mai ales prin învățare prin întărire pe probleme cu răspuns verificabil (matematică, cod). Lucrarea DeepSeek-R1 arată că, astfel antrenat, modelul dezvoltă singur tipare precum autoreflecția, verificarea și schimbarea strategiei. Algoritmul folosit de DeepSeek, GRPO, a fost introdus în 2024, în lucrarea DeepSeekMath.
În octombrie 2026, raționamentul este o funcție obișnuită a modelelor mari. La modelele Claude actuale, gândirea este adaptivă (modelul decide cât gândește), iar adâncimea se reglează cu parametrul effort; la OpenAI, cu reasoning.effort. OpenAI nu expune tokenii de raționament bruți, ci doar un rezumat, la cerere. Pentru modul în care se scriu prompturile pentru astfel de modele, vezi secțiunea Prompt engineering.
Concepte cheie și caracteristici
| Concept / Parametru | Descriere practică |
|---|---|
Test-time compute |
Calcul suplimentar făcut la folosire, nu la antrenare. Mai mult timp de gândire tinde să dea rezultate mai bune la problemele grele, cu prețul latenței și al costului. |
Tokeni de raționament |
Textul intern generat înaintea răspunsului. La OpenAI nu este vizibil prin API, dar ocupă loc în fereastra de context și se plătește ca tokeni de ieșire. |
Effort |
Nivelul de efort cerut modelului. La Claude: output_config.effort, cu valorile low, medium, high, xhigh, max. La OpenAI: reasoning.effort. |
Rezumatul raționamentului |
La OpenAI, parametrul summary întoarce un rezumat al raționamentului, nu raționamentul brut. |
Învățare prin întărire cu recompense verificabile |
Modelul primește recompensă când ajunge la un răspuns corect, verificat automat (de exemplu, testele unui program trec). Exemplu de algoritm: GRPO. |
Exemple practice și scenarii reale
Exemplul 1: Cerere către un model Claude cu efort mare
Corpul unei cereri POST /v1/messages, după documentația Anthropic. Câmpul output_config.effort controlează cât gândește modelul; la nivelurile xhigh și max, Anthropic recomandă o valoare mare pentru max_tokens.
{
"model": "claude-opus-5-5",
"max_tokens": 16000,
"messages": [
{"role": "user", "content": "Găsește cauza erorii din funcția de mai jos și propune o corectură: ..."}
],
"output_config": {
"effort": "high"
}
}Exemplul 2: Cerere către un model OpenAI cu efort mic
După exemplul din ghidul OpenAI pentru modele de raționament (Responses API, Python), cu cererea tradusă: o sarcină simplă, pentru care un efort mic este suficient.
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-6-astra",
reasoning={"effort": "low"},
input=[{"role": "user", "content": "Scrie un script bash care transpune o matrice dată ca text."}],
)
print(response.output_text)Greșeli frecvente și capcane
- Instrucțiuni de tipul „gândește pas cu pas”: OpenAI recomandă să le eviți la modelele de raționament, pentru că acestea raționează deja intern, iar îndemnul poate chiar strica rezultatul.
- O limită de tokeni prea mică: raționamentul intră în limită, iar la OpenAI cererea se poate opri cu starea
incompleteînainte de orice text vizibil, deși tokenii consumați se plătesc. - Efort mare pentru sarcini simple (reformulare, traducere, extragere de date): adaugă latență și cost fără câștig vizibil.
- Tratarea raționamentului afișat ca dovadă: un raționament lung nu garantează un răspuns corect, iar textul afișat poate fi doar un rezumat.