Modelos de razonamiento

Los modelos de razonamiento dedican más cómputo a los problemas difíciles antes de devolver una respuesta. Son útiles para matemáticas, lógica, programación, planificación, análisis y tareas en las que una respuesta rápida de propósito general no es suficiente. Pueden ser más lentos y costosos que los modelos de chat estándar, así que úsalos cuando la tarea se beneficie de un razonamiento más profundo.

Cuándo usarlos

Tarea	Tipo de modelo recomendado
Traducción, reescritura, preguntas y respuestas breves	Modelo de chat estándar
Demostración matemática, acertijos de lógica, diseño de algoritmos	Modelo de razonamiento
Planificación compleja o análisis de arquitectura	Modelo de razonamiento
Clasificación simple de alto volumen	Modelo estándar o más pequeño

Controlar el esfuerzo de razonamiento

Algunos modelos de razonamiento compatibles con OpenAI admiten reasoning_effort:

{
  "model": "gpt-5.4",
  "messages": [
    {"role": "user", "content": "Solve this logic puzzle step by step."}
  ],
  "reasoning_effort": "high"
}

Valores comunes:

Valor	Comportamiento	Caso de uso
`low`	Más rápido, menor costo	Tareas de razonamiento simples
`medium`	Equilibrado	Tareas de razonamiento general
`high`	Más cómputo, más lento, mayor costo	Tareas difíciles de matemáticas, lógica o código

Los valores admitidos dependen del modelo seleccionado.

Contenido de razonamiento

Algunos proveedores exponen un campo de razonamiento separado, como reasoning_content, mientras que otros devuelven solo la respuesta final. Si el modelo expone contenido de razonamiento, tu aplicación puede mostrarlo, almacenarlo para depuración o ignorarlo. Ejemplo de la forma de la respuesta:

{
  "choices": [
    {
      "message": {
        "role": "assistant",
        "reasoning_content": "I will compare the constraints and eliminate invalid options...",
        "content": "The correct answer is B."
      },
      "finish_reason": "stop"
    }
  ]
}

Los nombres de los campos y su disponibilidad varían según el proveedor del modelo. En sistemas de producción, trata los campos de razonamiento como opcionales.

Ejemplo en Python

Reemplaza todo el valor sk-your-api-key en API_KEY con tu clave real. Para usar otro modelo de razonamiento, cambia MODEL. No todos los modelos devuelven reasoning_content, por lo que el ejemplo lo lee de forma segura con getattr.

import httpx
from openai import OpenAI

API_KEY = "sk-your-api-key"
MODEL = "deepseek-v4-flash"

client = OpenAI(
    api_key=API_KEY,
    base_url="https://moxus.ai/v1",
    # Connect directly to Moxus AI without reading system or terminal proxy variables.
    http_client=httpx.Client(trust_env=False, timeout=60.0),
)

response = client.chat.completions.create(
    model=MODEL,
    messages=[{"role": "user", "content": "Prove the Pythagorean theorem."}],
)
message = response.choices[0].message

reasoning = getattr(message, "reasoning_content", None)
if reasoning:
    print("Reasoning:", reasoning)
print("Final answer:", message.content)

Ejemplo en Node.js

Reemplaza todo el valor sk-your-api-key en API_KEY con tu clave real. Para usar otro modelo de razonamiento, cambia MODEL. reasoning_content es un campo de extensión opcional, por lo que el ejemplo verifica si existe.

import OpenAI from "openai";

const API_KEY = "sk-your-api-key";
const MODEL = "deepseek-v4-flash";

const client = new OpenAI({
  apiKey: API_KEY,
  baseURL: "https://moxus.ai/v1",
});

const response = await client.chat.completions.create({
  model: MODEL,
  messages: [{ role: "user", content: "Prove the Pythagorean theorem." }],
});

const message = response.choices[0].message;
if (message.reasoning_content) {
  console.log("Reasoning:", message.reasoning_content);
}
console.log("Final answer:", message.content);

Salida de razonamiento en streaming

En modo de streaming, un proveedor puede enviar deltas de razonamiento antes de los deltas de la respuesta final. Si decides mostrarlos, manténlos visualmente separados de la respuesta final y asegúrate de que tu parser maneje los campos faltantes.

Costo y latencia

Los tokens de razonamiento suelen contar dentro del uso de salida. Un presupuesto de razonamiento más alto puede mejorar la calidad en tareas difíciles, pero también aumenta la latencia y el costo. Supervisa el uso en panel y uso.

Recomendaciones prácticas

Empieza con un modelo estándar para tareas simples.
Usa modelos de razonamiento para tareas difíciles con necesidades de precisión medibles.
Mantén los prompts enfocados y proporciona los datos necesarios desde el principio.
Configura los controles de razonamiento solo cuando el modelo seleccionado los admita.
Valida las respuestas finales cuando afecten dinero, permisos o datos de usuarios.

Descripción general

Plataforma

Guías

Integraciones

Modelos de razonamiento

Cuándo usarlos

Controlar el esfuerzo de razonamiento

Contenido de razonamiento

Ejemplo en Python

Ejemplo en Node.js

Salida de razonamiento en streaming

Costo y latencia

Recomendaciones prácticas

Próximos pasos

​Cuándo usarlos

​Controlar el esfuerzo de razonamiento

​Contenido de razonamiento

​Ejemplo en Python

​Ejemplo en Node.js

​Salida de razonamiento en streaming

​Costo y latencia

​Recomendaciones prácticas

​Próximos pasos

Cuándo usarlos

Controlar el esfuerzo de razonamiento

Contenido de razonamiento

Ejemplo en Python

Ejemplo en Node.js

Salida de razonamiento en streaming

Costo y latencia

Recomendaciones prácticas

Próximos pasos