> ## 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 raciocínio

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>;
  }
};

## Introdução aos recursos

Modelos de raciocínio são modelos de linguagem avançados otimizados para resolução de problemas complexos e tarefas de raciocínio, melhorando a precisão na resolução de problemas ao gerar etapas detalhadas de raciocínio (cadeia de pensamento).

### 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

Antes de usar modelos de raciocínio, certifique-se de ter instalado a versão mais recente do OpenAI SDK:

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

## Como chamar a API

Use modelos de raciocínio chamando a interface `/chat/completions`.

### 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

```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": "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

```python theme={null}
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

O conteúdo de raciocínio retornado pelo modelo não será anexado automaticamente à próxima rodada da conversa; o usuário precisa gerenciar manualmente o histórico da conversa:

```python theme={null}
messages.append({"role": "assistant", "content": content})
messages.append({"role": "user", "content": "Continue explicando a solução."})
```

## Lista de modelos compatíveis

<ReasoningModels />

## 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.