← Voltar para o Dia 1: LLMs de verdade

Reasoning Models

1. O que é

Reasoning Models, ou modelos de raciocínio, são modelos de IA projetados ou treinados para lidar melhor com problemas que exigem várias etapas de raciocínio antes de chegar a uma resposta.

Enquanto um LLM tradicional pode responder principalmente com base nos padrões aprendidos, um reasoning model é otimizado para dedicar mais processamento à resolução de problemas complexos.

Isso é especialmente útil em:

• matemática;
• programação;
• lógica;
• planejamento;
• análise de problemas complexos;
• tomada de decisão com várias etapas.

2. Como funciona, de forma intuitiva

Imagine a diferença entre estas duas perguntas:

"Qual é a capital da França?"

É uma pergunta simples. Basta recuperar uma informação conhecida.

Agora:

"Tenho 3 projetos, 5 pessoas disponíveis, diferentes níveis de experiência e vários prazos. Como devo distribuir as pessoas para minimizar atrasos?"

Aqui é necessário:

1. entender as restrições;
2. identificar os recursos disponíveis;
3. comparar alternativas;
4. considerar consequências;
5. chegar a uma conclusão.

Um reasoning model é projetado para ser melhor nesse segundo tipo de problema.

Uma forma simplificada de visualizar:

Pergunta → análise do problema → múltiplas etapas de raciocínio → conclusão → resposta

O ponto importante é que o modelo pode gastar mais computação para resolver o problema antes de produzir a resposta final.

3. Um exemplo

Considere:

João tem o dobro da idade de Maria. Daqui a 5 anos, a soma das idades será 40. Quantos anos eles têm hoje?

Um modelo precisa estabelecer relações:

• João = 2 × Maria
• daqui a 5 anos, João + Maria = 40
• resolver as equações
• verificar o resultado

Um modelo de raciocínio tende a ser mais adequado para esse tipo de problema porque foi otimizado para resolver problemas em múltiplas etapas, não apenas para produzir uma continuação linguisticamente provável.

4. Por que é importante

Reasoning models são importantes porque ampliam o tipo de tarefa que os LLMs conseguem realizar de maneira confiável.

A principal diferença conceitual é:

LLM tradicional:

"Qual resposta é mais provável neste contexto?"

Reasoning model:

"Como posso trabalhar este problema em etapas para chegar a uma solução melhor?"

Isso não significa que reasoning models sejam infalíveis. Eles também podem cometer erros ou até produzir conclusões incorretas.

Outro ponto importante: reasoning model não significa necessariamente que o modelo tenha uma "mente" ou consciência que raciocina como um ser humano. É uma categoria de modelos e técnicas de treinamento/inferência voltadas para melhorar a resolução de problemas complexos.

Um conceito complementar

Um termo que você provavelmente encontrará associado a isso é test-time compute.

A ideia é simples: em vez de sempre usar a mesma quantidade de processamento para responder, o sistema pode usar mais computação durante a inferência para problemas que exigem mais raciocínio.

Isso cria uma relação importante:

Mais esforço computacional durante a inferência → potencialmente melhor desempenho em problemas complexos → maior custo e/ou latência.

link de compartilhamento