# Reasoning-модели (модели рассуждения): что это и как управлять reasoning effort

> **Reasoning-модели (модели рассуждения)** — это языковые модели, которые перед финальным ответом генерируют длинную промежуточную цепочку рассуждений: разбирают задачу, пробуют варианты, проверяют себя. На это они тратят дополнительные вычисления прямо во время ответа (test-time compute), поэтому отвечают дольше и дороже, но заметно точнее на сложных задачах.

## Что это {#chto-eto}

Обычная instruct-модель ([инструктивная модель](/pages/instruktivnye-yazykovye-modeli)) начинает писать ответ сразу. Reasoning-модель сначала «думает»: выпускает служебные **reasoning-токены**, и только потом формирует видимый ответ. Идея называется **test-time compute**: качество можно повышать не только обучением более крупной модели, но и тем, что модели дают больше токенов на размышление при [инференсе](/pages/inference-ii-modeley).

Чем это отличается от соседних понятий:

- **Instruct-модель без рассуждений** отвечает за один проход; на многошаговой арифметике, логике и планировании чаще ошибается.
- **[Chain of Thought](/pages/chain-of-thought-cot)** — приём промптинга: вы сами просите «рассуждай шаг за шагом». Модель при этом остаётся обычной, а рассуждения попадают в видимый ответ.
- **Reasoning-модель** обучена рассуждать сама, без специальной просьбы в промпте. Размышления идут в отдельном потоке, а глубиной можно управлять параметром API (reasoning effort).

Ещё один родственный метод — [Tree of Thoughts](/pages/tree-of-thoughts-tot), где перебор вариантов организует внешний алгоритм, а не сама модель.

## Как работает {#kak-rabotaet}

**Обучение.** В статье про DeepSeek-R1 показано, что способность к рассуждению можно стимулировать чистым обучением с подкреплением (RL) без размеченных человеком цепочек: модель получает награду за верный итог на задачах с проверяемым ответом (математика, соревновательное программирование, STEM), а самопроверка, возвращение к шагам и смена стратегии появляются в ходе обучения сами ([arXiv 2501.12948](https://arxiv.org/abs/2501.12948)).

**Ответ.** Схема «подумать, затем ответить»: модель генерирует reasoning-токены, затем видимый ответ. В документации OpenAI отмечено, что reasoning-токены не видны через API, но занимают место в контекстном окне и оплачиваются как выходные токены ([Reasoning models](https://platform.openai.com/docs/guides/reasoning)). Часть провайдеров отдаёт рассуждения или их краткое изложение — это зависит от модели.

**Управление глубиной.** Параметр **reasoning effort** подсказывает модели, сколько думать. Набор значений зависит от модели; в документации OpenAI встречаются `none`, `minimal`, `low`, `medium`, `high`, `xhigh`, `max`. Низкий уровень экономит токены и время, высокий даёт более полный разбор. Модели рассуждают адаптивно: на простом вопросе они потратят меньше токенов, чем на сложном, даже при высоком effort.

## В API RouterAI {#v-api-routerai}

RouterAI принимает reasoning-параметры в OpenAI-совместимом запросе `https://routerai.ru/api/v1/chat/completions`:

| Параметр | Что делает |
| --- | --- |
| `reasoning` | объект, например `{"effort": "low"}` — уровень рассуждений |
| `reasoning_effort` | то же самое «плоским» полем |
| `include_reasoning` | `true` — вернуть текст рассуждений в ответе, если модель его отдаёт |

```bash
curl https://routerai.ru/api/v1/chat/completions \
  -H "Authorization: Bearer sk-xxxxxxxxxxxxxxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek/deepseek-v4-pro",
    "messages": [{"role": "user", "content": "Фермер собрал 3 корзины по 47 яблок и 2 по 38. 15% червивые. Сколько хороших?"}],
    "reasoning": {"effort": "low"},
    "include_reasoning": true,
    "max_tokens": 4000
  }'
```

Через OpenAI SDK нестандартные поля передают в `extra_body`:

```python
from openai import OpenAI

client = OpenAI(base_url="https://routerai.ru/api/v1", api_key="sk-xxxxxxxxxxxxxxxx")
resp = client.chat.completions.create(
    model="deepseek/deepseek-v4-pro",
    messages=[{"role": "user", "content": "Сколько будет 17*24?"}],
    max_tokens=4000,
    extra_body={"reasoning": {"effort": "low"}, "include_reasoning": True},
)
msg = resp.choices[0].message
print(getattr(msg, "reasoning", None))                      # текст рассуждений, если отдан
print(resp.usage.completion_tokens_details.reasoning_tokens)  # сколько ушло на рассуждения
```

**Как читать ответ.** При `include_reasoning: true` в `choices[0].message` может появиться поле `reasoning` (а иногда и `reasoning_details`). Число токенов рассуждений — в `usage.completion_tokens_details.reasoning_tokens`. Эти токены уже входят в `completion_tokens`.

В наших проверочных запросах 26 октября 2026 года:

- `deepseek/deepseek-v4-pro` и `moonshotai/kimi-k3` вернули текст рассуждений в `reasoning`;
- `openai/gpt-5.6-luna` при низком effort вернул краткое изложение, а при высоком — пустое поле, хотя `reasoning_tokens` был больше нуля;
- у `anthropic/claude-opus-5` текст рассуждений пришёл, но `reasoning_tokens` остался нулевым — ориентируйтесь на `completion_tokens`;
- неподдерживаемое значение effort даёт ошибку 400 с перечнем допустимых значений.

Для моделей Anthropic есть и нативный способ: в запросе к Anthropic Messages API (`https://routerai.ru/api/v1/messages`) передают `"thinking": {"type": "enabled", "budget_tokens": 2048}`, а в ответе приходит блок `thinking` перед блоком `text` (проверено на `anthropic/claude-opus-5`).

Не рассчитывайте, что рассуждения вернутся всегда: сохраняйте логику, которая работает и без поля `reasoning`. Общие параметры запроса — в [документации RouterAI](https://routerai.ru/docs/guides/overview/parameters).

### Какие модели поддерживают {#kakie-modeli}

Источник правды — [каталог](https://routerai.ru/models) и поле `supported_parameters` в `https://routerai.ru/api/v1/models`: если там есть `reasoning` (и `reasoning_effort`), модель принимает эти параметры. В каталоге такие модели отбираются фильтром «Поддерживаемые параметры» (`reasoning`, `include_reasoning`).

![Каталог моделей RouterAI: в панели фильтров раскрыт пункт «Поддерживаемые параметры» со значениями include_reasoning, max_tokens, reasoning](https://b51bc417-3ee0-451a-a83b-8a681d027a96.selstorage.ru/public/597260846696ff79c0b6d265ce3c243d.png)

На 26 октября 2026 года флаг `reasoning` есть примерно у 250 из 575 моделей каталога, поэтому ниже — выборка. Цены за 1M токенов вывода взяты из каталога.

| Модель | `reasoning_effort` | Вывод, ₽ / 1M | Для чего |
| --- | --- | --- | --- |
| `deepseek/deepseek-v4-flash` | да | 19,9 | дешёвые рассуждения на объёме |
| `deepseek/deepseek-v4-pro` | да | 219,9 | математика, код, анализ |
| `openai/gpt-5.6-luna` | да | 125,6 | быстрые и недорогие задачи |
| `openai/gpt-5.6-terra` | да | 1256,4 | сбалансированное решение |
| `openai/gpt-5.6-sol` | да | 2094,0 | верхний уровень серии GPT-5.6 |
| `anthropic/claude-opus-5` | да | 2617,5 | длинные задачи с кодом и агентами |
| `moonshotai/kimi-k3` | да | 575,8 | открытая reasoning-модель |

У семейства gpt-5.6 есть и варианты `-pro`. Часть моделей имеет флаг `reasoning`, но не принимает `reasoning_effort` (например, `deepseek/deepseek-r1-0528`): рассуждения у них встроены, и глубину через этот параметр не задать.

## Где применяется {#gde-primenyaetsya}

Reasoning оправдан там, где ошибка дороже лишних токенов:

- **математика и логика** — многошаговые расчёты, доказательства;
- **код** — отладка, рефакторинг, поиск причины сбоя;
- **планирование и агенты** — выбор последовательности действий и инструментов;
- **анализ документов** — сверка условий, поиск противоречий.

Для оценки моделей на таких задачах смотрите [рейтинги и бенчмарки](/pages/reiting-neirosetei-llm-benchmarks), но проверяйте их на своих данных.

## Цена вопроса {#cena-voprosa}

Reasoning-токены оплачиваются по тарифу выходных токенов ([Output Tokens](/pages/output-tokens)), а выход обычно дороже входа. Поэтому ответ из одной строки может стоить как страница текста.

Пример на `deepseek/deepseek-v4-pro` (одна задача, один прогон): с `effort: "none"` модель вернула около 340 токенов без рассуждений, с `effort: "high"` — около 2060, из них 1778 на рассуждения. Поле `usage.cost` в ответах показало разницу примерно в 6 раз (цена вывода у модели одна — 219,9 ₽ за 1M токенов по каталогу). Конкретная кратность зависит от задачи и модели. Общая формула расчёта — в статье про [стоимость токенов](/pages/raschet-stoimosti-tokenov).

### Типичные ошибки {#tipichnye-oshibki}

- **Reasoning на классификации, извлечении полей и чатах поддержки.** Задача не требует размышлений — вы платите за токены, которые не улучшают результат. Берите быструю модель или `effort` пониже.
- **Цена считается только по видимому ответу.** Токены рассуждений входят в `completion_tokens` — сверяйте расходы с полем `usage`.
- **Слишком малый `max_tokens`.** Лимит делят рассуждения и ответ. В проверке с `max_tokens: 300` на `deepseek/deepseek-v4-pro` и `effort: "high"` все 300 токенов ушли на рассуждения: `finish_reason` был `length`, а `content` пустым. OpenAI советует закладывать не менее 25 000 токенов на рассуждения и вывод при первых экспериментах.
- **Высокий effort «на всякий случай».** Начните с `low` или `medium` и повышайте, пока качество на ваших примерах растёт.
- **Ставка на текст рассуждений.** Провайдеры могут отдавать лишь краткое изложение или ничего.

## Связанные термины {#svyazannye-terminy}

- [Chain of Thought (CoT)](/pages/chain-of-thought-cot) — рассуждения через промпт
- [Tree of Thoughts](/pages/tree-of-thoughts-tot) — перебор вариантов рассуждения
- [Инференс ИИ-моделей](/pages/inference-ii-modeley) — этап, на котором тратится test-time compute
- [Output Tokens](/pages/output-tokens) — по этому тарифу идут reasoning-токены
- [Спекулятивное декодирование](/pages/speculative-decoding) — способ ускорить генерацию длинных ответов, в том числе с рассуждениями
- [Рейтинг нейросетей (LLM Benchmarks)](/pages/reiting-neirosetei-llm-benchmarks) — как сравнивают модели
- [Каталог моделей RouterAI](https://routerai.ru/models) — доступ из России без VPN, оплата в рублях