> ## Documentation Index
> Fetch the complete documentation index at: https://docs.moxus.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Modelos de razonamiento

> Usa modelos con capacidad de razonamiento para matemáticas, lógica, código, planificación y otras tareas de varios pasos.

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`:

```json theme={null}
{
  "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:

```json theme={null}
{
  "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`.

```python theme={null}
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.

```javascript theme={null}
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](/es/platform/dashboard-and-usage).

## 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.

## Próximos pasos

* [Salida estructurada](/es/guide/structured-output)
* [Visión y generación de imágenes](/es/guide/vision-and-image)