Reasoning model คิดเป็นโทเคนก่อนที่จะตอบเป็นโทเคน
ถามคำถามยาก ๆ กับโมเดลทั่วไป มันจะเริ่มเขียนคำตอบทันที "การคิด" เพียงอย่างเดียวของมันคือสิ่งที่เกิดขึ้นภายในเครือข่ายระหว่างการอ่านพรอมต์ของคุณกับการสร้างคำแรก
Reasoning model ถูกฝึกให้ทำสิ่งที่ต่างออกไป คือเขียนขั้นตอนการทำงานออกมาก่อน บ่อยครั้งเป็นหลายพันโทเคน แล้วจึงเขียนคำตอบ ขั้นตอนนี้คือข้อความที่โมเดลสร้างขึ้นเพื่อตัวมันเอง มันลองแนวทางหนึ่ง สังเกตเห็นความขัดแย้ง ถอยกลับ ตรวจสอบเลขคณิต และในที่สุดก็ตัดสินใจ ผลิตภัณฑ์ส่วนใหญ่ซ่อนขั้นตอนนี้หรือแสดงเป็นบทสรุป และเรียกทั้งหมดว่า "การคิด"
การคิดนี้คือการทำนายโทเคนถัดไปแบบเดียวกับที่ what is an LLM อธิบายไว้ เพียงแต่ใช้เวลากับปัญหานานขึ้น Reasoning model คือโมเดลภาษาที่ถูกฝึกผ่านการเรียนรู้แบบเสริมกำลัง (reinforcement learning) บนปัญหาที่ตรวจคำตอบได้ ให้ใช้โทเคนมากขึ้นก่อนตัดสินใจ นี่คือเหตุผลที่มันช่วยได้มากที่สุดกับปัญหาที่ตรวจสอบขั้นตอนได้ และช่วยน้อยที่สุดกับปัญหาที่ไม่มีอะไรให้คิดผ่าน
แนวคิดนี้มาจากไหน ใน 3 ช่วงเวลา
ในเดือนมกราคม 2022 Jason Wei และทีมงานที่ Google แสดงให้เห็นว่าการใส่ตัวอย่างที่แก้ทีละขั้นตอนไว้ในพรอมต์ช่วยเพิ่มคะแนนของโมเดลในปัญหาคณิตศาสตร์และตรรกะ พวกเขาเรียกมันว่า chain-of-thought prompting และมันได้ผลเพราะการเขียนขั้นตอนออกมาทำให้โมเดลมีโทเคนมากขึ้น จึงมีการคำนวณมากขึ้นต่อปัญหาหนึ่งข้อ
ในเดือนกันยายน 2024 OpenAI เปิดตัว o1 ซึ่งเป็นโมเดลตัวแรกที่เข้าถึงได้อย่างแพร่หลายที่ถูกฝึกให้ทำแบบนี้เป็นค่าเริ่มต้นแทนที่จะทำตามคำสั่ง การเรียนรู้แบบเสริมกำลังเบื้องหลังมันให้รางวัลกับขั้นตอนที่นำไปสู่คำตอบที่ถูกต้องในคณิตศาสตร์และโค้ด ทำให้โมเดลเรียนรู้ที่จะสร้างขั้นตอนที่ยาวและแก้ไขตัวเองได้ด้วยตัวมันเอง
ในเดือนมกราคม 2025 DeepSeek เปิดตัว R1 พร้อม open weights และเอกสารที่อธิบายวิธีการฝึก ซึ่งหมายความว่าทุกแล็บสามารถทำซ้ำแนวทางนี้ได้ ภายในปีเดียวกัน การให้เหตุผลกลายเป็นโหมด ไม่ใช่โมเดลอีกต่อไป มันคือสวิตช์ในตัว GPT, Claude และ Gemini รวมถึงกลุ่มโมเดลเฉพาะทาง เช่น Kimi K2 Thinking ในแคตตาล็อกที่กว้างขึ้น
เมื่อไรที่การคิดคุ้มค่า และเมื่อไรที่เป็นต้นทุนเปล่า ๆ
รูปแบบที่เหมือนกันในทุกเบนช์มาร์กและทุกงานจริงคือ การให้เหตุผลช่วยได้มากตามสัดส่วนของจำนวนขั้นตอนของปัญหาและความสามารถในการตรวจสอบคำตอบ
| งาน | โหมดคิด | เพราะอะไร |
|---|---|---|
| คณิตศาสตร์หลายขั้นตอน โจทย์ปัญหา การแปลงหน่วย | คุ้มค่า | ตรวจสอบขั้นตอนได้ ข้อผิดพลาดสะสมถ้าไม่มีการคิด |
| การดีบัก การไล่หาความผิดพลาดในโค้ด | คุ้มค่า | โมเดลทดสอบสมมติฐานกับโค้ดก่อนตัดสินใจ |
| การวางแผนตารางเวลา การย้ายระบบ งบประมาณที่มีเงื่อนไข | คุ้มค่า | เงื่อนไขส่งผลต่อกัน ร่างแรกมักละเมิดข้อใดข้อหนึ่ง |
| ปริศนาตรรกะ การพิสูจน์ กฎที่มีข้อยกเว้น | คุ้มค่า | ประเด็นทั้งหมดคือขั้นตอนการคิด |
| การค้นหาข้อเท็จจริง ("ปีไหนที่ X เกิดขึ้น") | เสียเปล่า | ไม่มีขั้นตอน โมเดลรู้หรือไม่รู้ |
| การเขียนใหม่ การแปล การสรุป การเปลี่ยนโทน | เสียเปล่า | ผ่านครั้งเดียวคือครบงาน การคิดเพิ่มแค่ความล่าช้าไม่เพิ่มคุณภาพ |
| การสนทนาทั่วไป การระดมความคิดเป็นรายการ | เสียเปล่า | ไม่มีอะไรให้ตรวจ ใช้โทเคนมากขึ้นแต่ได้คำตอบเดิม |
มีขีดจำกัดที่ตรงไปตรงมาสองข้อ การคิดไม่ได้แก้ปัญหาการเดามั่วเรื่องข้อเท็จจริง โมเดลที่ไม่รู้เมืองหลวงของประเทศหนึ่งจะให้เหตุผลไปสู่คำตอบที่ผิดด้วยความมั่นใจมากขึ้น และขั้นตอนที่ยาวอาจผิดพลาดในแบบที่คำตอบสั้นทำไม่ได้ คือโมเดลพูดตัวเองออกจากสัญชาตญาณแรกที่ถูกต้อง ในคำถามง่าย ๆ บางครั้งขั้นตอนที่ยาวจบลงแย่กว่าคำตอบแรกของโมเดลธรรมดา
การคิดมีต้นทุนอะไรบ้าง โทเคน วินาที และเครดิต
ขั้นตอนการคิดคือโทเคนผลลัพธ์ ซึ่งเป็นชนิดที่แพงกว่า และ what are tokens in AI แสดงให้เห็นว่าโทเคนผลลัพธ์มีราคาห้าถึงหกเท่าของโทเคนอินพุตในทุกโมเดลหลัก คำตอบที่ต้องคิดซึ่งเขียนขั้นตอน 3,000 โทเคนก่อนคำตอบ 300 โทเคน จึงสร้างผลลัพธ์มากกว่าคำตอบธรรมดาถึงสิบเท่า และยังใช้เวลานานกว่าประมาณสิบเท่า เพราะผลลัพธ์ถูกสร้างทีละโทเคน
ตารางอันดับตอนนี้กำหนดราคาของตัวหมุนปรับนี้ได้โดยตรง Artificial Analysis ให้คะแนนแต่ละโมเดลในทุกระดับความพยายามที่ผู้ให้บริการเปิดเผย ทำให้วัดต้นทุนได้ คือโมเดลเดียวกัน ที่ระดับความพยายามต่ำสุดและสูงสุด พร้อมคะแนน Intelligence Index อยู่เหนือแต่ละปลาย สามบันไดด้านล่างอ่านค่าเมื่อ 2026-09-17
ลองพล็อตทุกระดับ เส้นกราฟจะตัดกันในแบบที่น่าสนใจ GPT-6 Astra ไปถึง 53 แต้มที่ $2.31 ต่อล้านโทเคน ส่วน Claude Fable 5.1 ไปถึง 53 แต้มเท่ากันที่ $5.98 Claude Opus 5 ที่ความพยายามสูงสุดอยู่ที่ 51 แต้ม ต่ำกว่าทั้งสองตัวสองแต้ม ที่ $5.86 ความพยายามซื้อแต้มได้ในทุกเส้นกราฟ และเส้นกราฟที่คุณอยู่คือตัวตัดสินว่าแต้มเหล่านั้นมีราคาเท่าไร
ระบบ Auto ของ Whizi เปลี่ยนสิ่งนี้ให้เป็นราคาคงที่ที่คุณเห็นได้ Auto อ่านแต่ละข้อความและส่งไปยังหนึ่งในหกขั้น ขั้นนี้คือตัวกำหนดต้นทุนเครดิต และการให้เหตุผลหลายขั้นตอนอยู่บนสุดใน Powerhouse Pro สูงสุดอยู่ที่ขั้นโค้ด 10 เครดิต และ Starter อยู่ที่โมเดลหลักที่ 1 เครดิต
คำตอบที่ต้องคิดอยู่ที่ 20 เครดิต เทียบกับ 1 เครดิตสำหรับคำถามเร็ว ๆ ส่วนต่าง 20 ต่อ 1 นี้สะท้อนต้นทุนโทเคนที่อยู่เบื้องหลัง Auto ยังปฏิเสธที่จะใช้มันอย่างสูญเปล่าอีกด้วย ข้อความใหม่ที่มันจัดว่าเป็นการเขียนใหม่หรือการค้นหาจะไปที่ขั้น 1 หรือ 2 เครดิต และข้อความต่อเนื่องในเธรดที่เคยได้ขั้นการให้เหตุผลไปแล้วจะอยู่ที่นั่นต่อไป เพราะโมเดลของข้อความก่อนหน้าทำหน้าที่เป็นพื้นล่าง How Auto picks a model มีตารางขั้นพร้อมโมเดลเบื้องหลังแต่ละแถว
วิธีใช้โหมดคิดโดยไม่ต้องจ่ายเงินทุกที่
มองการคิดเป็นเครื่องมือที่คุณหยิบมาใช้ ไม่ใช่การตั้งค่าที่เปิดค้างไว้
- ใช้โมเดลเร็วเป็นค่าเริ่มต้น ข้อความส่วนใหญ่คือการค้นหา การเขียนใหม่ และคำถามสั้น ๆ การคิดเพิ่มแค่วินาทีและเครดิตโดยไม่เปลี่ยนอะไรเลย
- เปิดใช้งานสำหรับคำถามยาก เมื่อคำถามมีหลายขั้นตอนและคำตอบตรวจสอบได้ ให้ย้ายข้อความนั้นไปยังโมเดลที่ให้เหตุผลหรือเปิดโหมดคิด แล้วย้ายกลับ
- ใส่เงื่อนไขไว้ในพรอมต์ Reasoning model ทำงานได้ดีที่สุดเมื่อมีกฎให้ตรวจสอบแผนของมัน "ต้องเสร็จภายใน 40 ชั่วโมง ไม่มีประชุมวันศุกร์ วันเปิดตัวคือวันที่ 12" คือประเภทพรอมต์ที่คุ้มค่ากับการรอ
- อ่านขั้นตอนการคิดเมื่อมันถูกแสดง ขั้นตอนนี้คือจุดที่โมเดลเผยสมมติฐานที่ผิด ถ้าขั้นแรกผิด คำตอบก็ผิดไม่ว่าจะคิดนานแค่ไหน
- อย่าใช้มันตรวจสอบข้อเท็จจริง ใช้การค้นหา เอกสาร หรือโมเดลที่สองแทน what is an AI hallucination อธิบายว่าทำไมการคิดมากขึ้นถึงไม่ช่วยในเรื่องนี้
กฎการตัดสินใจในบรรทัดเดียว: ถ้าคุณอยากเห็นขั้นตอนการคิดของใครบางคนก่อนจะเชื่อคำตอบของเขา ให้ใช้ reasoning model ถ้าคุณไม่ต้องการ ก็ไม่ต้องจ่ายเงินเพื่อสิ่งนี้
- ใช้โมเดลเร็วเป็นค่าเริ่มต้น และหยิบโหมดคิดมาใช้เฉพาะคำถามยากที่เจาะจง
- ใช้การให้เหตุผลสำหรับคณิตศาสตร์ ตรรกะ การวางแผนที่มีเงื่อนไข และการดีบัก
- ข้ามไปสำหรับการค้นหา การเขียนใหม่ การแปล และการสรุป เพราะมันช้ากว่าโดยไม่ได้ดีขึ้น
- ใส่เงื่อนไขไว้ในพรอมต์ เพื่อให้โมเดลมีสิ่งที่ต้องตรวจสอบแผนของมัน
- ตรวจสอบข้อเท็จจริงด้วยการค้นหาหรือโมเดลที่สอง ไม่ใช่ด้วยขั้นตอนการคิดที่ยาวขึ้น
คำถามที่พบบ่อย
Reasoning model ทำอะไรที่แตกต่างจริง ๆ
มันเขียนขั้นตอนกลาง ๆ ออกมาก่อนคำตอบสุดท้าย โดยลองแนวทาง ตรวจสอบเลขคณิต และถอยกลับ ทั้งหมดในรูปข้อความที่สร้างขึ้น โมเดลทั่วไปเริ่มเขียนคำตอบทันที การให้เหตุผลคือการทำนายโทเคนถัดไปแบบเดียวกัน เพียงแต่ใช้เวลากับปัญหานานขึ้น นี่คือเหตุผลที่มันช่วยในงานหลายขั้นตอนแต่ไม่ช่วยในการค้นหา
โหมดคิดดีกว่าเสมอไหม
ไม่ ในการค้นหาข้อเท็จจริง การเขียนใหม่ การแปล และคำถามทั่วไป มันช้ากว่า ใช้โทเคนมากกว่า และไม่ทำให้คำตอบดีขึ้น ในคำถามง่าย ขั้นตอนที่ยาวอาจทำให้โมเดลพูดตัวเองออกจากสัญชาตญาณแรกที่ถูกต้อง มันดีกว่าในคณิตศาสตร์ ตรรกะ การวางแผนที่มีเงื่อนไข และการดีบัก ซึ่งคำตอบมีขั้นตอนที่ตรวจสอบได้
ทำไมโหมดคิดถึงช้ากว่าและแพงกว่า
เพราะการคิดคือโทเคนผลลัพธ์ ที่ถูกสร้างทีละตัว และโทเคนผลลัพธ์มีราคาห้าถึงหกเท่าของโทเคนอินพุตในทุกโมเดลหลัก คำตอบที่เขียนขั้นตอน 3,000 โทเคนก่อนคำตอบ 300 โทเคน สร้างผลลัพธ์มากกว่าคำตอบธรรมดาถึงสิบเท่า และใช้เวลานานกว่าประมาณสิบเท่า
โมเดลไหนบ้างที่เป็น reasoning model
o1 ของ OpenAI ในเดือนกันยายน 2024 เป็นตัวแรกที่เข้าถึงได้อย่างแพร่หลาย และ DeepSeek R1 ในเดือนมกราคม 2025 เผยแพร่วิธีการฝึกพร้อม open weights ตั้งแต่นั้นมาการให้เหตุผลมักเป็นโหมดในตัว GPT, Claude และ Gemini มากกว่าจะเป็นผลิตภัณฑ์แยก พร้อมกับโมเดลเฉพาะทาง เช่น Kimi K2 Thinking Whizi ส่งคำถามหลายขั้นตอนไปยังขั้นการให้เหตุผลของตนโดยอัตโนมัติ
Reasoning model เดามั่วน้อยกว่าไหม
ในปัญหาหลายขั้นตอน ใช่ เพราะมันจับข้อผิดพลาดทางเลขคณิตและตรรกะของตัวเองได้ในขั้นตอนการคิด แต่ในเรื่องข้อเท็จจริง ไม่ใช่ โมเดลที่ไม่รู้บางสิ่งจะให้เหตุผลไปสู่คำตอบที่ผิดด้วยความมั่นใจมากขึ้น สำหรับข้อเท็จจริง การอ้างอิงด้วยการค้นหาหรือเอกสารและความเห็นจากโมเดลที่สองได้ผลดีกว่า ขั้นตอนการคิดที่ยาวขึ้นไม่ช่วย
