Модель, которая перед финальным ответом генерирует развёрнутую цепочку внутренних рассуждений, что повышает точность на сложных задачах — логика, математика, код.
Ризонинг-модель (reasoning model, «модель с рассуждением») — это большая языковая модель, дополнительно обученная (обычно через обучение с подкреплением) генерировать развёрнутую внутреннюю цепочку промежуточных шагов рассуждения перед тем, как выдать финальный ответ, — по сути, автоматизированную и расширенную версию техники chain-of-thought.
В отличие от обычной LLM, которая генерирует ответ «сразу», ризонинг-модель тратит дополнительное время и вычислительные ресурсы на этапе инференса, чтобы «обдумать» задачу — разбить её на шаги, проверить промежуточные варианты и при необходимости скорректировать ход рассуждения, прежде чем сформулировать итоговый ответ.
На сложных математических и логических задачах ризонинг-модели вроде OpenAI o3 или DeepSeek-R1 показывают существенно более высокие результаты в бенчмарках, чем модели того же поколения без явного механизма рассуждения — но при этом ответ обходится дороже и генерируется дольше.
Chain-of-Thought — это техника промптинга, которую можно применить к любой модели. Ризонинг-модель обучена генерировать такие цепочки рассуждений автоматически и на более глубоком уровне, обычно с помощью обучения с подкреплением.
Потому что модель генерирует не только финальный ответ, но и длинную промежуточную цепочку рассуждений — а оплата в большинстве API идёт за все сгенерированные токены, включая «размышления».
Нет — для простых вопросов и типовых текстов обычная LLM быстрее и дешевле; ризонинг-модели оправданы там, где нужна точность в многошаговых логических или вычислительных задачах.