Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Chain of Thought

Lektion 6 af 14 Opdateret 3. november 2026 Begynder
På denne side
  1. Ræsonnér trin for trin
  2. Hvorfor Chain of Thought virker
  3. Groks ræsonnementsmodeller
  4. Teknikker til at udløse ræsonnement
  5. Ræsonnementstokens og omkostninger
  6. Begrænsninger ved ræsonnementsmodeller
  7. Prøv det selv
  8. Vigtige pointer

Opdateret 3. november 2026 baseret på API-referencen og xAI’s bedste praksis: max_completion_tokens begrænser kun det synlige svar, ikke ræsonnementet; den anbefalede timeout er mindst 900 sekunder. Kilder: Chat Completions · Best practices.

Ræsonnér trin for trin

Chain of Thought (CoT) er en teknik, hvor du beder modellen om at opdele sin tankegang i eksplicitte trin, før den giver sit endelige svar. I stedet for at hoppe direkte til konklusionen, redegør modellen for sin tankeproces, hvilket forbedrer svarkvaliteten markant ved komplekse opgaver.

Denne tilgang fungerer særligt godt til logikproblemer, beregninger, analyser med flere kriterier og enhver opgave, der kræver ræsonnement i flere trin.

Hvorfor Chain of Thought virker

Når du beder Grok om at løse et problem direkte, genererer den det mest sandsynlige svar uden nødvendigvis at tjekke dets konsistens. Ved at bede den om at ræsonnere trin for trin, får du den til at:

  1. Opdele problemet i delproblemer
  2. Løse hvert delproblem sekventielt
  3. Verificere konsistensen mellem trinnene
  4. Nå frem til en konklusion baseret på ræsonnementet

Eksempel uden Chain of Thought

Q: En butik sælger T-shirts for 25 euro. Med 20 % rabat og 20 % moms, hvad er slutprisen?
A: 24 euro.

Eksempel med Chain of Thought

Q: En butik sælger T-shirts for 25 euro. Med 20 % rabat og 20 % moms, hvad er slutprisen? Ræsonnér trin for trin.
A:
1. Grundpris: 25 euro
2. 20 % rabat: 25 x 0,20 = 5 euro
3. Pris efter rabat: 25 - 5 = 20 euro
4. 20 % moms: 20 x 0,20 = 4 euro
5. Slutpris inkl. moms: 20 + 4 = 24 euro
Slutprisen er 24 euro.

Resultatet kan være identisk, men det eksplicitte ræsonnement lader dig verificere hvert trin og fange potentielle fejl.

Groks ræsonnementsmodeller

xAI tilbyder modeller, der er specifikt designet til ræsonnement. Disse modeller integrerer nativt Chain of Thought, uden at du behøver at anmode om det eksplicit.

Justér ræsonnementsindsatsen

Ældre modeller som grok-3-mini eksponerede en parameter kaldet reasoning_effort (low/high). På den nuværende modelserie indstilles ræsonnementsindsatsen via parameteren reasoning i Responses API, som vist nedenfor:

  • low: Hurtigt ræsonnement, færre tokens forbrugt, velegnet til simple spørgsmål
  • medium: Balance mellem dybde i tankegangen og omkostninger, velegnet til de fleste tilfælde
  • high: Dybdegående ræsonnement, flere tokens, velegnet til komplekse problemer

grok-4.20-0309-reasoning: Avanceret ræsonnement

Nuværende Grok-modeller integrerer krypteret ræsonnement. Tankeprocessen er ikke synlig i klartekst, men den er mere ydedygtig. Med Responses API kan du styre indsatsen via parameteren reasoning:

{
  "model": "grok-4.20-0309-reasoning",
  "input": "Analyser fordele og ulemper ved at migrere til en microservices-arkitektur",
  "reasoning": {
    "effort": "high"
  }
}

De tilgængelige niveauer er low, medium og high.

Teknikker til at udløse ræsonnement

Selv med modeller, der ikke er specialiserede i ræsonnement, kan du aktivere Chain of Thought med simpel formulering i dit prompt:

  • „Ræsonnér trin for trin, før du svarer”
  • „Opdel dit ræsonnement”
  • „Forklar din tilgang, og giv derefter din konklusion”
  • „Tænk højt”

I systembeskeden

{
  "role": "system",
  "content": "Du er en finansanalytiker. For hvert spørgsmål skal du opdele dit ræsonnement i nummererede trin, før du giver din endelige konklusion."
}

Ræsonnementstokens og omkostninger

Ræsonnementstokens tælles med i forbruget og faktureres som output-tokens. De vises i feltet reasoning_tokens i svaret:

{
  "usage": {
    "completion_tokens_details": {
      "reasoning_tokens": 150
    }
  }
}

Parameteren max_completion_tokens begrænser kun det synlige svar: internt ræsonnement tæller ikke med heri, og mængden bestemmes af ræsonnementsindsatsen.

xAI’s bedste praksis kræver en timeout på mindst 900 sekunder pr. anmodning, og eksemplerne i deres guide om Reasoning går op til 3.600 sekunder for komplekse problemer.

Begrænsninger ved ræsonnementsmodeller

Visse parametre er ikke tilgængelige på ræsonnementsmodeller:

  • frequency_penalty og presence_penalty: ikke understøttet
  • stop: ikke understøttet
  • Inkludering af disse parametre udløser en fejl

Prøv det selv

Test det samme spørgsmål med og uden Chain of Thought:

Uden CoT:

Et tog forlader Paris kl. 8.00 med 120 km/t. Et andet forlader Lyon (470 km væk) kl. 9.00 med 150 km/t. Hvornår mødes de?

Med CoT:

Et tog forlader Paris kl. 8.00 med 120 km/t. Et andet forlader Lyon (470 km væk) kl. 9.00 med 150 km/t. Hvornår mødes de? Ræsonnér trin for trin og vis dine beregninger.

Sammenlign svarene: versionen med Chain of Thought vil være mere pålidelig og verificerbar.

Vigtige pointer

  • Chain of Thought forbedrer pålideligheden ved komplekse opgaver ved at opdele ræsonnementet
  • Nuværende Grok-modeller integrerer krypteret ræsonnement med tre indsatsniveauer (low/medium/high)
  • Ræsonnementstokens faktureres og tæller med i grænsen for output-tokens
  • Visse parametre (straffe, stop) er ikke kompatible med ræsonnementsmodeller
  • Tilføj „ræsonnér trin for trin” til dine prompts for at aktivere CoT på enhver model