Modelos de raciocínio

​

Introdução aos recursos

​

Cenários típicos de aplicação

• Resolução de problemas complexos: adequado para cenários que exigem derivação passo a passo e etapas lógicas claras, como matemática e raciocínio científico.
• Sistemas de apoio à decisão: fornece processos de raciocínio detalhados para apoiar análises de decisão, ajudando a compreender a lógica por trás das decisões.
• Educação e treinamento: ajuda os usuários a aprender e entender conhecimentos complexos, fornecendo processos de derivação detalhados.

​

Instalação e preparação

pip install -U openai

​

Como chamar a API

​

Descrição dos parâmetros da requisição

• max_tokens: define o número máximo de tokens na saída do modelo.
• temperature: recomenda-se definir entre 0.5 e 0.7 (recomendado 0.6) para equilibrar criatividade e lógica na saída.
• top_p: recomenda-se definir como 0.95.

​

Exemplo de código de requisição

​

Requisição com saída em streaming

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.highwayapi.ai/openai")
messages = [
    {"role": "user", "content": "Explique a segunda lei 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("Resposta final:", content)
print("Processo de raciocínio:", reasoning_content)

​

Requisição com saída não streaming

response = client.chat.completions.create(
    model="deepseek/deepseek-r1",
    messages=[
        {"role": "user", "content": "O que é o efeito estufa? Como reduzi-lo?"}
    ],
    stream=False,
    max_tokens=4096
)

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

print("Resposta final:", content)
print("Processo de raciocínio:", reasoning_content)

​

Gerenciamento de contexto

messages.append({"role": "assistant", "content": content})
messages.append({"role": "user", "content": "Continue explicando a solução."})

​

Lista de modelos compatíveis

​

Forma de cobrança

• A cobrança é feita com base no número de tokens de entrada e saída.
• Para padrões específicos de cobrança e regras de conversão, consulte a página de detalhes do modelo.

​

Observações e melhores práticas

• Não adicione instruções de raciocínio à mensagem system; as instruções devem ser explicitadas diretamente na mensagem user.
• Em problemas matemáticos, especifique claramente os requisitos, por exemplo: “Raciocine passo a passo e indique claramente a resposta final.”
• Para evitar que o modelo pule a etapa de raciocínio, recomenda-se forçar o modelo a adicionar uma quebra de linha antes da saída.