Управление reasoning effort в LLM: разбор техник от Себастьяна Рашки

Reasoing-модели стали стандартом индустрии: после OpenAI o1 и DeepSeek-R1 почти все новые модели предлагают промежуточный тракт рассуждений. Себастьян Рашка в своей новой статье объясняет, как разработчики могут управлять «усилием» (reasoning effort) таких моделей — то есть тем, насколько глубоко модель обдумывает ответ.

В основе лежит подход RLVR (reinforcement learning with verifiable rewards), который DeepSeek-R1 использовал для обучения. Модель получает награду за правильный ответ (например, в математике или коде), а сам тракт рассуждений не участвует в обучении. Рашка разбирает, как на основе этого метода можно сделать модель с несколькими режимами усилий: от поверхностного до максимально глубокого.

Отдельно рассмотрен пример GPT-5.6 — семейство моделей, которое поставляется с тремя размерами и примерно пятью-шестью настройками reasoning effort. Автор показывает, как разные уровни влияют на качество на бенчмарках, и отмечает, что даже в режиме «Max» модель может работать через четыре субагента для ускорения.

Статья вышла на сайте Рашки параллельно с его новой книгой «Build A Reasoning Model (From Scratch)» — 440-страничным руководством по созданию reasoning-моделей с нуля.