Reasoning model, yanıt vermeden önce token cinsinden düşünür
Standart bir modele zor bir soru sor, yanıtı hemen yazmaya başlar. Tek "düşünmesi", promptunu okuma ile ilk kelimeyi üretme arasında ağın içinde olup bitenlerdir.
Bir reasoning model farklı bir şey yapmak üzere eğitilir: önce genellikle binlerce token uzunluğunda bir çalışma zinciri yazar, ancak sonra yanıtı yazar. Bu çalışma, modelin kendisi için ürettiği metindir. Bir yaklaşım dener, bir çelişki fark eder, geri döner, aritmetiği kontrol eder ve sonunda karar verir. Çoğu ürün bu zinciri gizler ya da bir özetini gösterir ve tüm bu sürece "düşünme" der.
Bu düşünme, LLM nedir yazısının anlattığı aynı bir sonraki token tahminidir, sadece probleme daha uzun süre yöneltilmiş halidir. Bir reasoning model, kontrol edilebilir cevapları olan problemler üzerinde pekiştirmeli öğrenme ile karar vermeden önce daha fazla token harcamayı öğrenmiş bir dil modelidir. Bu yüzden çalışmanın kontrol edilebildiği problemlerde en çok, üzerinde çalışılacak bir şey olmayan problemlerde en az yardımcı olur.
Fikir nereden geldi, üç tarihte
Ocak 2022'de Google'dan Jason Wei ve meslektaşları, promptun içine adım adım çözülmüş birkaç örnek koymanın modelin matematik ve mantık problemlerindeki skorlarını artırdığını gösterdi. Buna chain-of-thought (düşünce zinciri) promptlama dediler; işe yaramasının nedeni, adımları yazmanın modele problem başına daha fazla token, dolayısıyla daha fazla hesaplama vermesiydi.
Eylül 2024'te OpenAI, isteğe bağlı değil varsayılan olarak bunu yapmak üzere eğitilmiş ilk yaygın olarak erişilebilir model olan o1'i yayınladı. Bunun arkasındaki pekiştirmeli öğrenme, matematik ve kodda doğru yanıtlara ulaşan zincirleri ödüllendirdi, böylece model uzun, kendi kendini düzelten çalışmalar üretmeyi kendi başına öğrendi.
Ocak 2025'te DeepSeek, açık ağırlıklarla ve eğitim tarifini anlatan bir makaleyle R1'i yayınladı; bu da her laboratuvarın bu yaklaşımı yeniden üretebilmesi anlamına geliyordu. Yıl içinde reasoning bir model olmaktan çıkıp bir mod haline geldi: GPT, Claude ve Gemini içinde bir düğme ve daha geniş katalogda Kimi K2 Thinking gibi özel bir satır ailesi.
Düşünme ne zaman karşılığını verir, ne zaman saf maliyettir
Her benchmark ve her gerçek görevde aynı örüntü görülür: reasoning, problemin kaç adımı olduğu ve cevabın ne kadar kontrol edilebilir olduğu ile orantılı olarak yardımcı olur.
| Görev | Düşünme modu | Neden |
|---|---|---|
| Çok adımlı matematik, sözel problemler, birim dönüşümleri | Değer | Adımlar kontrol edilebilir; çalışma olmadan hatalar birikir |
| Hata ayıklama, kodda bir hatayı izleme | Değer | Model, karar vermeden önce hipotezleri koda karşı test eder |
| Bir programı, bir geçişi, kısıtlı bir bütçeyi planlama | Değer | Kısıtlar birbiriyle etkileşir; ilk taslak genelde birini ihlal eder |
| Mantık bulmacaları, ispatlar, istisnalı kurallar | Değer | Bütün mesele zaten zincirdir |
| Bilgi arama ("X ne zaman oldu") | Boşa gider | Adım yok; model ya bilir ya bilmez |
| Yeniden yazma, çeviri, özetleme, ton değiştirme | Boşa gider | Tek geçiş görevin kendisidir; düşünmek gecikme ekler, kalite eklemez |
| Sıradan sohbet, liste beyin fırtınası | Boşa gider | Kontrol edilecek bir şey yok; aynı cevap için daha fazla token |
İki dürüst sınır. Düşünmek, gerçekler üzerindeki halüsinasyonu düzeltmez; bir ülkenin başkentini bilmeyen model, daha fazla güvenle yanlış cevaba akıl yürütür. Ve uzun zincirler, kısa bir cevabın gidemeyeceği şekillerde yanlış gidebilir: model kendini doğru olan ilk sezgisinden vazgeçirir. Kolay sorularda uzun bir zincir bazen sade modelin ilk cevabından daha kötü bir yerde biter.
Düşünmenin maliyeti: tokenlar, saniyeler ve krediler
Düşünme zinciri, pahalı türden olan çıktı tokenlarıdır ve yapay zekada token nedir yazısı, her büyük modelde çıktının girdiden beş ila altı kat daha pahalı olduğunu gösterir. 300 tokenlık bir yanıttan önce 3.000 tokenlık çalışma yazan bir reasoning turu, sade yanıtın on katı çıktı üretmiş olur. Aynı zamanda çıktı token token üretildiği için yaklaşık on kat daha uzun sürer.
Sıralama tabloları artık bu ayarı doğrudan fiyatlandırıyor. Artificial Analysis, sağlayıcısının sunduğu her efor ayarında her modeli puanlıyor, böylece vergi ölçülebilir hale geliyor: aynı model, en düşük ve en yüksek akıl yürütme eforunda, her iki ucun üzerinde Intelligence Index puanıyla. Aşağıdaki üç merdiven 2026-09-17'de okundu.
Her ayarı çizdiğinde eğriler öğretici bir şekilde kesişiyor. GPT-6 Astra, milyon token başına $2.31 ile 53 puana ulaşıyor; Claude Fable 5.1 aynı 53 puana $5.98 ile ulaşıyor. Claude Opus 5, maksimum eforda 51 puana iniyor, ikisinin de 2 puan altında, $5.86. Efor her eğride puan satın alıyor, hangi eğride olduğun ise bu puanların sana neye mal olacağını belirliyor.
Whizi'nin Auto yönlendiricisi bunu görebileceğin sabit bir fiyata dönüştürür. Auto her mesajı okur ve altı basamaktan birine gönderir; kredi maliyetini belirleyen basamaktır ve çok adımlı akıl yürütme Powerhouse'ta en üstte yer alır. Pro, 10 kredilik kod basamağında tavan yapar, Starter ise 1 kredilik ana modelde kalır.
Bir reasoning turu, hızlı bir soru için harcanan 1 krediye karşılık 20 kredidir: bu 20'ye 1'lik fark, altındaki token maliyetini yansıtır. Auto ayrıca bunu boşa harcamayı reddeder. Yeni bir mesajı bir yeniden yazma veya arama olarak sınıflandırırsa 1 veya 2 kredilik basamağa gider, ve akıl yürütme basamağını zaten kazanmış bir konuşmadaki takip mesajı orada kalır, çünkü önceki turun modeli bir taban oluşturur. Auto bir modeli nasıl seçer yazısında her satırın arkasındaki modelle birlikte basamak tablosu var.
Düşünme modunu her yerde ödemeden nasıl kullanırsın
Düşünmeyi açık bıraktığın bir ayar değil, ihtiyaç anında elini uzattığın bir araç olarak ele al.
- Varsayılan olarak hızlı modeli kullan. Çoğu mesaj arama, yeniden yazma ve kısa sorulardır. Düşünmek saniyeler ve kredi ekler, hiçbir şeyi değiştirmez.
- Zor tur için aç. Soru birden çok adım içeriyor ve kontrol edilebilir bir cevabı varsa, o mesajı bir reasoning model'e taşı veya düşünmeyi aç, sonra geri dön.
- Kısıtları promptta ver. Bir reasoning model, planını karşı kontrol edebileceği kurallar olduğunda en iyi halindedir. "40 saate sığmalı, cumaları toplantı yok, lansman 12'sinde" gibi bir prompt beklemeye değer.
- Gösterildiğinde çalışmayı oku. Zincir, modelin yanlış bir varsayımı ortaya çıkardığı yerdir. İlk adım yanlışsa, ne kadar uzun düşünülürse düşünülsün cevap yanlıştır.
- Bunu gerçekleri kontrol etmek için kullanma. Bunun için arama, bir belge veya ikinci bir model kullan; yapay zeka halüsinasyonu nedir yazısı, daha fazla düşünmenin orada neden işe yaramadığını anlatır.
Karar kuralı tek satırda: birinin cevabına güvenmeden önce çalışmasını görmek isterdin, o zaman bir reasoning model kullan. İstemezdin, o zaman ödeme.
- Hızlı modeli varsayılan olarak tut, düşünme moduna belirli zor turlarda başvur
- Matematik, mantık, kısıtlı planlama ve hata ayıklama için akıl yürütmeyi kullan
- Arama, yeniden yazma, çeviri ve özetleme için atla; orada daha yavaş ve daha iyi değildir
- Kısıtları promptun içine koy, böylece modelin planını kontrol edecek bir şeyi olsun
- Gerçekleri arama veya ikinci bir modelle doğrula, daha uzun bir düşünce zinciriyle değil
Sık sorulan sorular
Bir reasoning model tam olarak neyi farklı yapar?
Son yanıttan önce, üretilmiş metin olarak yaklaşımlar deneyerek, aritmetiği kontrol ederek ve geri dönerek ara adımlardan oluşan bir zincir yazar. Standart bir model yanıtı hemen yazmaya başlar. Bu akıl yürütme, aynı bir sonraki token tahminidir, sadece problem üzerinde daha uzun harcanmıştır; bu yüzden çok adımlı görevlerde yardımcı olur, aramada olmaz.
Düşünme modu her zaman daha mı iyidir?
Hayır. Gerçek arama sorgularında, yeniden yazımlarda, çeviride ve sıradan sorularda daha yavaştır, daha fazla token harcar ve cevabı iyileştirmez. Kolay sorularda uzun bir zincir modeli doğru olan ilk sezgisinden vazgeçirebilir. Matematik, mantık, kısıtlar altında planlama ve hata ayıklamada daha iyidir; çünkü cevabın kontrol edilebilecek adımları vardır.
Düşünme modu neden daha yavaş ve daha pahalıdır?
Çünkü düşünme, tek tek üretilen çıktı tokenlarıdır ve çıktı, her büyük modelde girdiden beş ila altı kat daha pahalıdır. 300 tokenlık bir yanıttan önce 3.000 tokenlık çalışma yazan bir tur, sade yanıtın on katı çıktı üretir ve yaklaşık on kat daha uzun sürer.
Hangi modeller reasoning model'dir?
OpenAI'nin Eylül 2024'teki o1'i yaygın olarak erişilebilen ilk modeldi, DeepSeek'in Ocak 2025'teki R1'i ise tarifi açık ağırlıklarla yayınladı. O zamandan beri reasoning genelde ayrı bir ürün değil, GPT, Claude ve Gemini içindeki bir moddur, Kimi K2 Thinking gibi özel satırların yanı sıra. Whizi, çok adımlı soruları otomatik olarak kendi akıl yürütme basamağına yönlendirir.
Bir reasoning model daha az mı halüsinasyon görür?
Çok adımlı problemlerde evet, çünkü kendi aritmetik ve mantık hatalarını zincir içinde yakalar. Gerçeklerde hayır: bir şeyi bilmeyen model, daha fazla güvenle yanlış bir cevaba akıl yürütür. Gerçekler için arama veya bir belgeyle temellendirmek ve ikinci bir modelin görüşü işe yarar; daha uzun bir düşünce zinciri yaramaz.
