थिंकिंग मोड AI क्या है? रीजनिंग मॉडल कैसे काम करता है

रीजनिंग मॉडल जवाब देने से पहले टोकन में सोचता है

किसी सामान्य मॉडल से कठिन सवाल पूछें और यह तुरंत जवाब लिखना शुरू कर देता है। इसकी एकमात्र "सोच" वह है जो आपके प्रॉम्प्ट को पढ़ने और पहला शब्द बनाने के बीच नेटवर्क के अंदर होता है।

एक रीजनिंग मॉडल को कुछ अलग करने के लिए प्रशिक्षित किया जाता है: पहले काम करने की एक श्रृंखला लिखना, अक्सर उसके हज़ारों टोकन, और तभी जवाब लिखना। यह काम मॉडल खुद के लिए बनाता है। यह एक तरीका आज़माता है, विरोधाभास नोटिस करता है, पीछे हटता है, अंकगणित जांचता है, और आखिर में तय करता है। ज़्यादातर प्रोडक्ट इस श्रृंखला को छिपा देते हैं या इसका सारांश दिखाते हैं, और पूरी चीज़ को "थिंकिंग" कहते हैं।

यह सोच वही अगला-टोकन भविष्यवाणी है जिसे LLM क्या है बताता है, बस समस्या पर ज़्यादा समय तक लगाई गई। रीजनिंग मॉडल एक ऐसा language model है जिसे जांचने योग्य जवाबों वाली समस्याओं पर रिइनफोर्समेंट लर्निंग के ज़रिए यह सिखाया गया है कि तय करने से पहले ज़्यादा टोकन खर्च करे। यही वजह है कि यह उन समस्याओं में सबसे ज़्यादा मदद करता है जहां काम को जांचा जा सकता है और उन समस्याओं में सबसे कम जहां जांचने के लिए कुछ है ही नहीं।

यह विचार कहां से आया, तीन तारीखों में

जनवरी 2022 में, Google में Jason Wei और उनके साथियों ने दिखाया कि प्रॉम्प्ट में कुछ हल किए हुए, चरण-दर-चरण उदाहरण डालने से मॉडल के गणित और तर्क समस्याओं के स्कोर बढ़ जाते हैं। उन्होंने इसे चेन-ऑफ-थॉट प्रॉम्प्टिंग कहा, और यह इसलिए काम करता था क्योंकि चरण लिखने से मॉडल को हर समस्या के लिए ज़्यादा टोकन, और इसलिए ज़्यादा गणना, मिलती थी।

सितंबर 2024 में, OpenAI ने o1 जारी किया, जो अनुरोध पर नहीं बल्कि डिफ़ॉल्ट रूप से ऐसा करने के लिए प्रशिक्षित पहला व्यापक रूप से उपलब्ध मॉडल था। इसके पीछे की रिइनफोर्समेंट लर्निंग उन श्रृंखलाओं को इनाम देती थी जो गणित और कोड में सही जवाब तक पहुंचती थीं, इसलिए मॉडल ने खुद ही लंबी, खुद-सुधार करने वाली सोच बनाना सीख लिया।

जनवरी 2025 में, DeepSeek ने R1 को ओपन वेट्स और प्रशिक्षण रेसिपी बताने वाले एक पेपर के साथ जारी किया, जिसका मतलब था कि हर लैब इस तरीके को दोहरा सकती थी। उसी साल के भीतर, रीजनिंग एक मॉडल के बजाय एक मोड बन गया: GPT, Claude और Gemini के अंदर एक टॉगल, और Kimi K2 Thinking जैसी समर्पित रो का एक परिवार, बड़े कैटलॉग में।

सोचना कब खुद के लिए भुगतान करता है, और कब यह सिर्फ लागत है

हर बेंचमार्क और हर असली काम में पैटर्न एक जैसा है: रीजनिंग उतनी ही मदद करता है जितने चरण समस्या में हैं और जवाब कितना जांचने योग्य है।

दो ईमानदार सीमाएं। सोचना तथ्यों पर होने वाले भ्रम (हैलुसिनेशन) को ठीक नहीं करता; जो मॉडल किसी देश की राजधानी नहीं जानता, वह ज़्यादा भरोसे के साथ गलत जवाब तक तर्क करेगा। और लंबी श्रृंखलाएं ऐसे रास्तों पर गलत जा सकती हैं जो छोटा जवाब नहीं जाता: मॉडल खुद को एक सही पहली सहज प्रतिक्रिया से दूर कर लेता है। आसान सवालों पर, लंबी श्रृंखला कभी-कभी सामान्य मॉडल के पहले जवाब से भी बुरी जगह पहुंच जाती है।

सोचने की कीमत: टोकन, सेकंड और क्रेडिट

थिंकिंग श्रृंखला आउटपुट टोकन है, महंगी वाली किस्म, और AI में टोकन क्या हैं दिखाता है कि हर बड़े मॉडल पर आउटपुट की कीमत इनपुट से पांच से छह गुना ज़्यादा होती है। एक रीजनिंग टर्न जो 300-टोकन के जवाब से पहले 3,000 टोकन का काम लिखता है, उसने सामान्य जवाब से दस गुना ज़्यादा आउटपुट बनाया है। इसमें लगभग दस गुना ज़्यादा समय भी लगता है, क्योंकि आउटपुट एक बार में एक टोकन बनता है।

अब लीडरबोर्ड इस डायल की सीधी कीमत बताते हैं। Artificial Analysis हर मॉडल को उसके प्रोवाइडर द्वारा दी गई हर एफर्ट सेटिंग पर स्कोर करता है, इसलिए यह कीमत मापने योग्य है: एक ही मॉडल, अपनी सबसे कम और सबसे ज़्यादा रीजनिंग एफर्ट पर, हर छोर के ऊपर उसका Intelligence Index स्कोर। नीचे दी गई तीनों सीढ़ियां 2026-09-17 को पढ़ी गई थीं।

हर सेटिंग को प्लॉट करें और वक्र एक सिखाने वाले तरीके से एक-दूसरे को काटते हैं। GPT-6 Astra $2.31 प्रति मिलियन टोकन पर 53 तक पहुंचता है; Claude Fable 5.1 उसी 53 तक $5.98 पर पहुंचता है। Claude Opus 5 अधिकतम एफर्ट पर 51 पर आता है, दोनों से दो अंक कम, $5.86 पर। एफर्ट हर वक्र पर अंक खरीदता है, और आप किस वक्र पर हैं, यह तय करता है कि इन अंकों की कीमत क्या होगी।

Whizi का Auto राउटर इसे एक तय कीमत में बदल देता है जो आप देख सकते हैं। Auto हर मैसेज पढ़ता है और उसे छह रंग में से एक पर भेजता है; यह रंग ही क्रेडिट की कीमत तय करता है, और कई चरणों वाली रीजनिंग Powerhouse पर सबसे ऊपर बैठती है। Pro 10-क्रेडिट वाले कोड रंग तक जाता है, और Starter 1 वाले हाउस मॉडल पर टिका रहता है।

एक रीजनिंग टर्न 20 क्रेडिट का है, एक त्वरित सवाल के 1 क्रेडिट के मुकाबले: 20-से-1 का यह अंतर नीचे की टोकन कीमत को दर्शाता है। Auto इसे बर्बाद करने से भी इनकार करता है। जिस नए मैसेज को यह दोबारा लिखने या लुकअप के रूप में पहचानता है, वह 1- या 2-क्रेडिट रंग पर जाता है, और किसी थ्रेड में एक फॉलो-अप जिसने पहले ही रीजनिंग रंग कमा लिया है, वहीं रहता है, क्योंकि पिछले टर्न का मॉडल एक फ़्लोर की तरह काम करता है। Auto कैसे मॉडल चुनता है में हर रो के पीछे के मॉडल के साथ रंग तालिका है।

हर जगह इसकी कीमत चुकाए बिना थिंकिंग मोड कैसे इस्तेमाल करें

थिंकिंग को एक ऐसा टूल समझें जिसे आप ज़रूरत पड़ने पर इस्तेमाल करते हैं, न कि एक ऐसी सेटिंग जिसे आप हमेशा चालू रखते हैं।

1. डिफ़ॉल्ट रूप से तेज़ मॉडल इस्तेमाल करें। ज़्यादातर मैसेज लुकअप, दोबारा लिखना और छोटे सवाल होते हैं। थिंकिंग सेकंड और क्रेडिट बढ़ाती है और कुछ नहीं बदलती।
2. कठिन टर्न के लिए इसे चालू करें। जब सवाल में कई चरण हों और जवाब जांचने योग्य हो, तो उस एक मैसेज को रीजनिंग मॉडल पर ले जाएं या थिंकिंग टॉगल करें, फिर वापस लौट आएं।
3. प्रॉम्प्ट में इसे शर्तें दें। रीजनिंग मॉडल तब सबसे अच्छा होता है जब उसके पास अपनी योजना जांचने के लिए नियम हों। "40 घंटों में फिट होना चाहिए, शुक्रवार को कोई मीटिंग नहीं, लॉन्च 12 तारीख को है" जैसा प्रॉम्प्ट इंतज़ार के लायक होता है।
4. जब काम दिखाया जाए तो उसे पढ़ें। यह श्रृंखला वह जगह है जहां मॉडल एक गलत धारणा उजागर करता है। अगर पहला चरण गलत है, तो जवाब चाहे जितनी देर सोचा गया हो, गलत ही रहेगा।
5. तथ्यों की जांच के लिए इसका इस्तेमाल न करें। उसके लिए सर्च, कोई दस्तावेज़, या दूसरे मॉडल का इस्तेमाल करें; AI हैलुसिनेशन क्या है बताता है कि वहां ज़्यादा सोचने से मदद क्यों नहीं मिलती।

एक पंक्ति में फैसले का नियम: अगर आप किसी का जवाब मानने से पहले उसका काम देखना चाहेंगे, तो रीजनिंग मॉडल इस्तेमाल करें। अगर नहीं, तो उसकी कीमत मत चुकाएं।