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

# Modelos de razonamiento

export const ReasoningModels = () => {
  if (typeof document === "undefined") {
    return null;
  } else {
    let attempts = 0;
    const maxAttempts = 50;
    const INIT_DISPLAY_COUNT = 3;
    const interval = setInterval(() => {
      const clientComponent = document.getElementById("reasoning-models");
      if (clientComponent && window.jiekouRemoteData.llmModels.status === 'loaded') {
        const modelList = window.jiekouRemoteData.llmModels.data.filter(model => {
          return (model.features || []).includes('reasoning');
        });
        let displayModels = modelList.slice(0, INIT_DISPLAY_COUNT).map(model => {
          return `<li><span class="model-id-item">${model.id}</span></li>`;
        }).join('');
        let showMoreButton = '';
        if (modelList.length > INIT_DISPLAY_COUNT) {
          showMoreButton = `<button id="show-more-reasoning-model-btn" style="margin-left: 32px; color: rgb(40 116 255)">展示更多</button>`;
        }
        clientComponent.innerHTML = `
          <ul>${displayModels}</ul>
          ${showMoreButton}
        `;
        document.getElementById('show-more-reasoning-model-btn')?.addEventListener('click', () => {
          clientComponent.innerHTML = `
            <ul>${modelList.map(model => {
            return `<li><span class="model-id-item">${model.id}</span></li>`;
          }).join('')}</ul>
          `;
        });
        clearInterval(interval);
      }
      attempts++;
      if (attempts >= maxAttempts) {
        clearInterval(interval);
      }
    }, 200);
    return <div id="reasoning-models"></div>;
  }
};

## Introducción a la funcionalidad

Los modelos de razonamiento son modelos de lenguaje avanzados optimizados para la resolución de problemas complejos y tareas de razonamiento. Mejoran la precisión en la resolución de problemas mediante la salida de pasos de razonamiento detallados (cadena de pensamiento).

### Casos de uso típicos

* **Resolución de problemas complejos**: adecuados para escenarios que requieren derivación paso a paso y pasos lógicos claros, como matemáticas y razonamiento científico.
* **Sistemas de apoyo a la toma de decisiones**: proporcionan procesos de razonamiento detallados para respaldar el análisis de decisiones y ayudar a comprender la lógica detrás de ellas.
* **Educación y formación**: ayudan a los usuarios a aprender y comprender conocimientos complejos, proporcionando procesos de derivación detallados.

## Instalación y preparación

Antes de usar los modelos de razonamiento, asegúrate de haber instalado la versión más reciente del SDK de OpenAI:

```bash theme={null}
pip install -U openai
```

## Método de llamada a la API

Usa los modelos de razonamiento llamando al endpoint `/chat/completions`.

### Descripción de los parámetros de solicitud

* `max_tokens`: establece el número máximo de tokens que puede generar el modelo.
* `temperature`: se recomienda establecerlo entre 0.5 y 0.7 (0.6 recomendado) para equilibrar la creatividad y la lógica de la salida.
* `top_p`: se recomienda establecerlo en 0.95.

### Código de solicitud de ejemplo

#### Solicitud con salida en streaming

```python theme={null}
from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.highwayapi.ai/openai")
messages = [
    {"role": "user", "content": "Explica la segunda ley de Newton."}
]

response = client.chat.completions.create(
    model="deepseek/deepseek-r1",
    messages=messages,
    stream=True,
    max_tokens=4096
)

content = ""
reasoning_content = ""
for chunk in response:
    if chunk.choices[0].delta.content:
        content += chunk.choices[0].delta.content
    if chunk.choices[0].delta.reasoning_content:
        reasoning_content += chunk.choices[0].delta.reasoning_content

print("Respuesta final:", content)
print("Proceso de razonamiento:", reasoning_content)
```

#### Solicitud con salida no streaming

```python theme={null}
response = client.chat.completions.create(
    model="deepseek/deepseek-r1",
    messages=[
        {"role": "user", "content": "¿Qué es el efecto invernadero? ¿Cómo se puede mitigar?"}
    ],
    stream=False,
    max_tokens=4096
)

content = response.choices[0].message.content
reasoning_content = response.choices[0].message.reasoning_content

print("Respuesta final:", content)
print("Proceso de razonamiento:", reasoning_content)
```

## Gestión del contexto

El contenido de razonamiento devuelto por el modelo no se concatena automáticamente en la siguiente ronda de conversación; el usuario debe gestionar manualmente el historial de la conversación:

```python theme={null}
messages.append({"role": "assistant", "content": content})
messages.append({"role": "user", "content": "Continúa explicando la solución."})
```

## Lista de modelos compatibles

<ReasoningModels />

## Método de facturación

* La facturación se realiza según el número de tokens de entrada y salida.
* Para conocer los estándares de facturación específicos y las reglas de conversión, consulta la página de detalles del modelo.

## Notas y prácticas recomendadas

* No añadas instrucciones de razonamiento en el mensaje `system`; especifica las instrucciones directamente en el mensaje `user`.
* En problemas matemáticos, indica claramente los requisitos, por ejemplo: “Razona paso a paso e indica claramente la respuesta final.”
* Para evitar que el modelo omita la fase de razonamiento, se recomienda forzar al modelo a añadir un salto de línea antes de la salida.