Esfuerzo de razonamiento: bajo, medio y alto
En esta página
Actualizado el 3 de noviembre de 2026 según la referencia de la API de xAI:
max_completion_tokenslimita únicamente la respuesta visible; los tokens de razonamiento no cuentan para este límite y el parámetro de esfuerzo controla su cantidad. Fuente: Chat Completions. Nota añadida el 3 de noviembre: La lección vinculaba anteriormente el esfuerzo a la API (Chat Completions o Responses) y lo aplicaba agrok-4.20-0309-reasoning, que no lo admite; según la página de Reasoning de xAI, depende del modelo (grok-4.7,grok-4.6,grok-4.5,grok-4.20-multi-agent). El ejemplo también leíausage.completion_tokens, que está ausente en las respuestas de la API Responses (output_tokens,output_tokens_details.reasoning_tokens). Fuente: Reasoning.
Control de la profundidad de razonamiento
El esfuerzo de razonamiento te permite calibrar cuánta reflexión invierte el modelo antes de responder. Es una palanca directa para equilibrar calidad, velocidad y consumo de tokens.
El modelo determina la disponibilidad, no la API. Según la documentación de xAI:
| Modelo | Esfuerzo | Valores |
|---|---|---|
grok-4.7, grok-4.6 | Profundidad de razonamiento | low, medium, high (predeterminado), xhigh |
grok-4.5 | Profundidad de razonamiento | low, medium, high (predeterminado); xhigh se trata como high |
grok-4.20-multi-agent | Número de agentes movilizados (4 o 16), no profundidad | low, medium, high, xhigh |
grok-4.20-0309-reasoning | No configurable: el modelo siempre razona | — |
El razonamiento no puede desactivarse en estos modelos: sin configuración, el esfuerzo predeterminado es high. Solo cambia el nombre del parámetro según la API: reasoning_effort en el nivel superior en Chat Completions, reasoning.effort dentro de un objeto reasoning con la API Responses.
{
"model": "grok-4.7",
"input": "Solve the system of equations: 3x + 2y = 12, x - y = 1",
"reasoning": {
"effort": "medium"
}
}
Niveles de esfuerzo
La documentación describe cada nivel y su uso adecuado:
low: Utiliza cierto razonamiento manteniendo la rapidez. Para usos agenticos sensibles a la latencia y llamadas a herramientas sencillas.medium: Mayor reflexión, para aplicaciones menos sensibles a la latencia. Para análisis de datos complejos y razonamiento sobre contextos largos.high(predeterminado): Muchos más tokens de razonamiento. Para problemas muy difíciles, matemáticas complejas y lógica de varios pasos.xhigh: Profundidad máxima, con la latencia correspondiente. Para los problemas más arduos, cuando la calidad importa más que el tiempo de respuesta.
Las buenas prácticas de xAI añaden una regla sencilla: establece el esfuerzo explícitamente en cada solicitud y regístralo junto con cada resultado, para que tus mediciones sean comparables.
Los modelos de razonamiento también rechazan tres parámetros: presence_penalty, frequency_penalty y stop harán fallar la solicitud.
Impacto en los tokens
El nivel de esfuerzo tiene un impacto directo en el consumo de tokens de razonamiento:
low: Pocos tokens de razonamiento, respuesta rápida, coste bajomedium: Consumo moderado, buen compromisohighyxhigh: Muchos tokens de razonamiento, respuesta más lenta, coste alto
Estos tokens de razonamiento se facturan como tokens de salida (véase la Lección 8). El límite de salida (max_completion_tokens en Chat Completions, max_output_tokens en la API Responses) limita únicamente la respuesta visible: el razonamiento no cuenta para ello, por lo que el esfuerzo controla su cantidad.
Elección del nivel adecuado
| Tarea | Esfuerzo recomendado |
|---|---|
| Clasificación de texto | low |
| Resumen con análisis | medium |
| Extracción de entidades estructuradas | low |
| Resolución de ecuaciones | high |
| Análisis de errores en código | high |
| Reformulación de texto | low |
| Comparación de opciones con pros y contras | medium |
| Demostración matemática | high |
Ejemplo práctico: misma pregunta, tres esfuerzos
for effort in ["low", "medium", "high"]:
response = client.responses.create(
model="grok-4.7",
input="Explain why 0.1 + 0.2 != 0.3 in computing.",
reasoning={"effort": effort},
)
usage = response.usage
print(f"Effort {effort}: {usage.output_tokens} output tokens, "
f"including {usage.output_tokens_details.reasoning_tokens} reasoning tokens")
La brecha entre niveles depende de la pregunta: mídela en tus propios casos en lugar de confiar en una ratio general, y registra el esfuerzo con cada resultado.
Puntos clave
- El esfuerzo depende del modelo:
low,medium,high(predeterminado) yxhighengrok-4.7ygrok-4.6, sinxhighengrok-4.5;grok-4.20-0309-reasoningno lo admite reasoning_efforten Chat Completions,reasoning.efforten la API Responses; el razonamiento no puede desactivarse- El nivel de esfuerzo impacta directamente en el número de tokens de razonamiento y, por tanto, en el coste
- Sin configuración, el esfuerzo predeterminado es
high: establécelo explícitamente en cada solicitud, como recomienda xAI - Adapta el esfuerzo a la complejidad real de la tarea para optimizar costes