Co je reasoning model?

Reasoning model přemýšlí v tokenech, než odpoví v tokenech

Zeptejte se běžného modelu na těžkou otázku a rovnou začne psát odpověď. Jeho jediné „přemýšlení“ je to, co se odehraje uvnitř sítě mezi přečtením promptu a vygenerováním prvního slova.

Reasoning model je natrénovaný dělat něco jiného: nejdřív napsat řetězec úvah, často tisíce tokenů, a teprve pak odpověď. Ta úvaha je text, který si model generuje sám pro sebe. Zkusí postup, všimne si rozporu, vrátí se zpátky, zkontroluje výpočet a nakonec se rozhodne. Většina produktů tento řetězec skrývá nebo zobrazí jeho shrnutí a celé to označí jako „přemýšlení“.

To přemýšlení je stejná predikce dalšího tokenu, kterou popisuje co je LLM, jen zaměřená na problém déle. Reasoning model je jazykový model, který byl pomocí zpětnovazebního učení na úlohách s ověřitelnou odpovědí natrénovaný utrácet víc tokenů, než se rozhodne. Proto pomáhá nejvíc u úloh, kde lze postup ověřit, a nejméně tam, kde není co procházet.

Odkud ta myšlenka pochází, ve třech datech

V lednu 2022 Jason Wei a kolegové z Google ukázali, že vložení pár rozpracovaných příkladů krok za krokem do promptu zvýší skóre modelu u matematických a logických úloh. Nazvali to chain-of-thought prompting a fungovalo to proto, že vypsání kroků dalo modelu víc tokenů, a tedy víc výpočtu, na jednu úlohu.

V září 2024 vydal OpenAI o1, první široce dostupný model natrénovaný dělat to standardně, ne jen na vyžádání. Zpětnovazební učení za ním odměňovalo řetězce, které vedly ke správným odpovědím u matematiky a kódu, takže se model naučil sám od sebe produkovat dlouhé, sebeopravné úvahy.

V lednu 2025 vydal DeepSeek model R1 s otevřenými vahami a s prací popisující postup tréninku, takže si přístup mohla zreprodukovat každá laboratoř. Během roku se z reasoningu stal spíš režim než model: přepínač uvnitř GPT, Claude a Gemini a celá rodina vyhrazených řad, jako je Kimi K2 Thinking, v širším katalogu.

Kdy se přemýšlení vyplatí a kdy je to čistá ztráta

Vzorec napříč každým benchmarkem i reálnou úlohou je stejný: reasoning pomáhá úměrně tomu, kolik má úloha kroků a jak ověřitelná je odpověď.

Dvě poctivá omezení. Přemýšlení neopravuje halucinace u faktů: model, který nezná hlavní město země, se k té špatné odpovědi propracuje s ještě větším přesvědčením. A dlouhé řetězce se mohou pokazit způsobem, který krátká odpověď nezná: model si sám rozmluví správnou první intuici. U snadných otázek dlouhý řetězec někdy skončí hůř než první odpověď obyčejného modelu.

Co přemýšlení stojí: tokeny, sekundy a kredity

Řetězec úvah jsou výstupní tokeny, ten dražší druh, a co jsou tokeny v AI ukazuje, že výstup stojí pětkrát až šestkrát víc než vstup u každého velkého modelu. Úloha s uvažováním, která vygeneruje 3 000 tokenů úvahy před 300token odpovědí, vyprodukovala desetkrát víc výstupu než obyčejná odpověď. Trvá to taky zhruba desetkrát déle, protože výstup vzniká token po tokenu.

Žebříčky teď tenhle přepínač oceňují přímo. Artificial Analysis hodnotí každý model na každém stupni úsilí, který jeho poskytovatel nabízí, takže je ta daň měřitelná: stejný model na nejnižší a nejvyšší úrovni uvažování, se svým skóre Intelligence Index nad každým koncem. Tři žebříčky níže byly čtené 2026-09-17.

Vykreslete každé nastavení a křivky se protnou zajímavým způsobem. GPT-6 Astra dosáhne 53 bodů za $2.31 na milion tokenů; Claude Fable 5.1 dosáhne stejných 53 bodů za $5.98. Claude Opus 5 při maximálním úsilí skončí na 51 bodech, dva body pod oběma, za $5.86. Úsilí přináší body na každé křivce, a to, na které křivce jste, rozhoduje o tom, kolik ty body stojí.

Whizi router Auto z toho udělá pevnou cenu, kterou vidíte. Auto přečte každou zprávu a pošle ji na jednu ze šesti úrovní; úroveň určuje kreditovou cenu a vícekrokové uvažování sedí na Powerhouse nejvýš. Pro se zastaví na 10kreditové úrovni pro kód a Starter zůstává na house modelu za 1 kredit.

Úloha s uvažováním stojí 20 kreditů oproti 1 kreditu za rychlou otázku: rozptyl 20 ku 1, který zrcadlí cenu tokenů pod tím vším. Auto navíc odmítá plýtvat. Novou zprávu, kterou zařadí jako přepis nebo vyhledávání, pošle na 1kreditovou nebo 2kreditovou úroveň, a navazující zpráva ve vlákně, které si už vysloužilo úroveň s uvažováním, tam zůstane, protože model z předchozí odpovědi funguje jako podlaha. Jak Auto vybírá model má tabulku úrovní s modelem za každým řádkem.

Jak používat thinking mode, aniž byste za něj platili všude

Berte přemýšlení jako nástroj, po kterém sáhnete, ne jako nastavení, které necháte pořád zapnuté.

1. Ve výchozím stavu použijte rychlý model. Většina zpráv je vyhledávání, přepisování a krátké otázky. Přemýšlení přidá sekundy a kredity a nic to nezmění.
2. Zapněte ho na tu jednu těžkou zprávu. Když má otázka víc kroků a ověřitelnou odpověď, přepněte právě tu zprávu na reasoning model nebo zapněte thinking, pak se vraťte zpátky.
3. Dejte mu omezení přímo do promptu. Reasoning model je nejlepší, když má pravidla, proti kterým může svůj plán zkontrolovat. „Musí se to vejít do 40 hodin, žádné schůzky v pátek, spuštění je 12.“ je typ promptu, který si to čekání zaslouží.
4. Přečtěte si úvahu, když se zobrazí. Řetězec je místo, kde model odhalí špatný předpoklad. Pokud je první krok špatně, je odpověď špatně, ať přemýšlel sebedéle.
5. Nepoužívejte ho na ověřování faktů. Na to použijte vyhledávání, dokument nebo druhý model; co je halucinace AI vysvětluje, proč tam víc přemýšlení nepomáhá.

Rozhodovací pravidlo v jedné větě: kdybyste chtěli vidět něčí postup, než uvěříte jeho odpovědi, použijte reasoning model. Kdybyste nechtěli, neplaťte za něj.