রিজনিং মডেল (reasoning model) কী?

উত্তর দেওয়ার আগে একটা রিজনিং মডেল টোকেনে চিন্তা করে

একটা সাধারণ মডেলকে একটা কঠিন প্রশ্ন জিজ্ঞেস করুন, আর এটা সঙ্গে সঙ্গে উত্তর লিখতে শুরু করে। এর একমাত্র "চিন্তা" হলো নেটওয়ার্কের ভেতরে যা কিছু ঘটে, আপনার প্রম্পট পড়া আর প্রথম শব্দ তৈরি করার মাঝখানে।

একটা রিজনিং মডেলকে ভিন্ন কিছু করতে প্রশিক্ষণ দেওয়া হয়: প্রথমে একটা কাজের ধারা লিখে বের করা, প্রায়ই হাজার হাজার টোকেনের, আর তারপরই উত্তর লেখা। এই কাজটা হলো টেক্সট যা মডেল নিজের জন্য তৈরি করে। এটা একটা পদ্ধতি চেষ্টা করে, একটা স্ববিরোধিতা লক্ষ্য করে, পিছিয়ে আসে, গণিত যাচাই করে, আর শেষমেশ প্রতিশ্রুতিবদ্ধ হয়। বেশিরভাগ প্রোডাক্ট এই ধারাটা লুকিয়ে রাখে বা এর একটা সারাংশ দেখায়, আর পুরো ব্যাপারটাকে "থিংকিং" বলে।

এই চিন্তাটা সেই একই পরবর্তী-টোকেন পূর্বাভাস, যা একটা LLM কী বর্ণনা করে, শুধু সমস্যার দিকে আরও বেশিক্ষণ ধরে চালানো। একটা রিজনিং মডেল হলো এমন একটা ভাষা মডেল, যাকে যাচাইযোগ্য উত্তরসহ সমস্যার ওপর রিইনফোর্সমেন্ট লার্নিং দিয়ে প্রশিক্ষণ দেওয়া হয়েছে, যাতে প্রতিশ্রুতিবদ্ধ হওয়ার আগে বেশি টোকেন খরচ করে। সেজন্যই এটা সবচেয়ে বেশি সাহায্য করে যেখানে কাজ যাচাই করা যায়, আর সবচেয়ে কম সাহায্য করে যেখানে কাজ করার মতো কিছুই নেই।

ধারণাটা কোথা থেকে এলো, তিনটা তারিখে

2022 সালের জানুয়ারিতে, Google-এর জেসন ওয়েই আর তার সহকর্মীরা দেখান যে প্রম্পটে কয়েকটা ধাপে ধাপে সমাধান করা উদাহরণ দিলে গণিত আর যুক্তির সমস্যায় মডেলের স্কোর বেড়ে যায়। তারা একে চেইন-অব-থট প্রম্পটিং বলে, আর এটা কাজ করেছিল কারণ ধাপগুলো লিখে দেওয়ায় মডেল প্রতিটা সমস্যার জন্য বেশি টোকেন, আর তাই বেশি কম্পিউটেশন পেয়েছিল।

2024 সালের সেপ্টেম্বরে, OpenAI প্রকাশ করে o1, প্রথম ব্যাপকভাবে পাওয়া যায় এমন মডেল যাকে অনুরোধ করার বদলে ডিফল্টভাবে এটা করার জন্য প্রশিক্ষণ দেওয়া হয়েছিল। এর পেছনের রিইনফোর্সমেন্ট লার্নিং এমন চেইনগুলোকে পুরস্কৃত করেছিল যেগুলো গণিত আর কোডে সঠিক উত্তরে নিয়ে যেত, তাই মডেলটা নিজে থেকেই দীর্ঘ, স্ব-সংশোধনকারী কাজ তৈরি করতে শিখেছিল।

2025 সালের জানুয়ারিতে, DeepSeek প্রকাশ করে R1, খোলা ওয়েট আর প্রশিক্ষণের রেসিপি বর্ণনা করা একটা পেপারসহ, যার মানে প্রতিটা ল্যাব এই পদ্ধতি পুনরুৎপাদন করতে পারত। ওই বছরের মধ্যেই, রিজনিং একটা মডেলের বদলে একটা মোড হয়ে যায়: GPT, Claude আর Gemini-এর ভেতরে একটা টগল, আর বৃহত্তর ক্যাটালগে Kimi K2 Thinking-এর মতো নিবেদিত রো-এর একটা পরিবার।

কখন চিন্তা করা নিজের খরচ উশুল করে, আর কখন এটা শুধুই খরচ

প্রতিটা বেঞ্চমার্ক আর প্রতিটা বাস্তব কাজে একই প্যাটার্ন দেখা যায়: রিজনিং সাহায্য করে সমস্যার ধাপের সংখ্যা আর উত্তর কতটা যাচাইযোগ্য তার সমানুপাতে।

দুটো সৎ সীমাবদ্ধতা। চিন্তা তথ্যের ভুল ধারণা ঠিক করে না; যে মডেল একটা দেশের রাজধানী জানে না, সে আরও বেশি আত্মবিশ্বাসের সঙ্গে ভুল উত্তরে পৌঁছাবে। আর দীর্ঘ চেইন এমনভাবে ভুল হতে পারে যা একটা ছোট উত্তরে হয় না: মডেল নিজেকে একটা সঠিক প্রথম প্রবৃত্তি থেকে সরিয়ে নেয়। সহজ প্রশ্নে, একটা দীর্ঘ চেইন কখনো কখনো প্লেইন মডেলের প্রথম উত্তরের চেয়েও খারাপ কোথাও গিয়ে শেষ হয়।

চিন্তা করার খরচ: টোকেন, সেকেন্ড আর ক্রেডিট

চিন্তার চেইনটা আউটপুট টোকেন, যা ব্যয়বহুল ধরনের, আর AI-তে টোকেন কী দেখায় যে প্রতিটা প্রধান মডেলে আউটপুটের খরচ ইনপুটের পাঁচ থেকে ছয় গুণ। একটা রিজনিং টার্ন যা একটা 300-টোকেনের উত্তরের আগে 3,000 টোকেনের কাজ লেখে, সাধারণ উত্তরের চেয়ে দশগুণ বেশি আউটপুট তৈরি করেছে। এতে প্রায় দশগুণ বেশি সময়ও লাগে, কারণ আউটপুট একবারে একটা টোকেন করে তৈরি হয়।

লিডারবোর্ডগুলো এখন এই ডায়ালের দাম সরাসরি নির্ধারণ করে। Artificial Analysis প্রতিটা মডেলকে এর প্রোভাইডার প্রকাশ করা প্রতিটা এফোর্ট সেটিংয়ে স্কোর করে, তাই খরচটা পরিমাপযোগ্য: একই মডেল, এর সর্বনিম্ন আর সর্বোচ্চ রিজনিং এফোর্টে, প্রতিটার ওপরে এর ইন্টেলিজেন্স ইনডেক্স স্কোরসহ। নিচের তিনটা লেভেল 2026-09-17-এ পড়া হয়েছিল।

প্রতিটা সেটিং প্লট করলে দেখা যায় বক্ররেখাগুলো একটা শিক্ষণীয় ভাবে ক্রস করে। GPT-6 Astra প্রতি মিলিয়ন টোকেনে $2.31-এ 53-এ পৌঁছায়; Claude Fable 5.1 একই 53-এ পৌঁছায় $5.98-এ। Claude Opus 5 সর্বোচ্চ এফোর্টে 51-এ থামে, দুই দুটোর চেয়ে দুই পয়েন্ট কম, $5.86-এ। প্রতিটা কার্ভে এফোর্ট পয়েন্ট কেনে, আর আপনি কোন কার্ভে আছেন সেটাই ঠিক করে ওই পয়েন্টের দাম কত।

Whizi-এর Auto রাউটার এটাকে একটা স্থির দামে পরিণত করে যা আপনি দেখতে পান। Auto প্রতিটা মেসেজ পড়ে আর এটাকে ছয়টা ধাপের একটায় পাঠায়; এই ধাপটাই ক্রেডিট খরচ ঠিক করে, আর বহু-ধাপের রিজনিং Powerhouse-এ সবার ওপরে বসে। Pro সর্বোচ্চ 10-ক্রেডিটের কোড ধাপে থামে, আর Starter থাকে 1-এ হাউস মডেলে।

একটা রিজনিং টার্ন 20 ক্রেডিট, একটা দ্রুত প্রশ্নের 1-এর বিপরীতে: একটা 20-থেকে-1 ব্যবধান যা নিচের টোকেন খরচকে প্রতিফলিত করে। Auto এটা অপচয় করতেও অস্বীকৃতি জানায়। একটা নতুন মেসেজ যাকে এটা পুনর্লিখন বা খোঁজ হিসেবে শ্রেণিবদ্ধ করে তা 1- বা 2-ক্রেডিটের ধাপে যায়, আর একটা থ্রেডে একটা ফলো-আপ যা ইতিমধ্যে রিজনিং ধাপ অর্জন করেছে সেখানেই থাকে, কারণ আগের টার্নের মডেলটা একটা মেঝে হিসেবে কাজ করে। Auto কীভাবে একটা মডেল বেছে নেয় তে প্রতিটা রো-এর পেছনের মডেলসহ ধাপের টেবিল আছে।

সবখানে দাম না দিয়ে থিংকিং মোড কীভাবে ব্যবহার করবেন

চিন্তা করাকে এমন একটা টুল হিসেবে দেখুন যা আপনি প্রয়োজনে হাত বাড়িয়ে নেন, এমন একটা সেটিং নয় যা আপনি সবসময় চালু রাখেন।

1. দ্রুত মডেলকে ডিফল্ট রাখুন। বেশিরভাগ মেসেজই খোঁজ, পুনর্লিখন আর ছোট প্রশ্ন। চিন্তা সেকেন্ড আর ক্রেডিট বাড়ায় আর কিছুই বদলায় না।
2. কঠিন টার্নের জন্য চালু করুন। যখন প্রশ্নের কয়েকটা ধাপ আর একটা যাচাইযোগ্য উত্তর থাকে, তখন সেই একটা মেসেজকে একটা রিজনিং মডেলে সরান বা থিংকিং টগল করুন, তারপর ফিরে যান।
3. প্রম্পটে শর্তগুলো দিন। একটা রিজনিং মডেল সবচেয়ে ভালো কাজ করে যখন এর কাছে এর পরিকল্পনা যাচাই করার মতো নিয়ম থাকে। "অবশ্যই 40 ঘণ্টায় ফিট হতে হবে, শুক্রবারে কোনো মিটিং না, লঞ্চ 12 তারিখে" এমন প্রম্পট, যা অপেক্ষা করার যোগ্য।
4. দেখানো হলে কাজটা পড়ুন। এই চেইনেই মডেল একটা ভুল অনুমান প্রকাশ করে। যদি প্রথম ধাপ ভুল হয়, উত্তর ভুল, যতই দীর্ঘ সময় চিন্তা করা হোক না কেন।
5. তথ্য যাচাই করতে এটা ব্যবহার করবেন না। এর জন্য সার্চ, একটা ডকুমেন্ট বা একটা দ্বিতীয় মডেল ব্যবহার করুন; AI হ্যালুসিনেশন কী ব্যাখ্যা করে কেন সেখানে বেশি চিন্তা সাহায্য করে না।

এক লাইনে সিদ্ধান্তের নিয়ম: যদি কারো উত্তরে বিশ্বাস করার আগে আপনি তার কাজটা দেখতে চাইতেন, তাহলে একটা রিজনিং মডেল ব্যবহার করুন। যদি না চাইতেন, তাহলে এর জন্য দাম দেবেন না।