Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Hogyan működnek a következtető modellek

2. lecke 12 közül Frissítve 2026. november 5. Középhaladó
Ezen az oldalon
  1. A „gondolkodó“ modellek motorháztetője alatt
  2. Gondolkodj, mielőtt válaszolsz
  3. Következtetési tokenek: Láthatatlanok, de számítanak
  4. Pro, Max és Ultra: Három módszer a teljesítmény fokozására
  5. Mit változtat meg a következtetés, és mit nem
  6. Próbáld ki te is
  7. Főbb megállapítások

A „gondolkodó“ modellek motorháztetője alatt

Ha növeled a következtetési szintet, a modell nem azonnal generálja a választ. Először következtetési tokeneket hoz létre, amelyek segítségével lebontja a kérést, és többféle megközelítést is megvizsgál. Ennek a mechanizmusnak a megértése nem csupán elméleti kérdés: ez teszi lehetővé, hogy megfelelően állítsd be a szintet, előre jelezd a költségeket, és helyesen értelmezd a modell kimenetét.

Gondolkodj, mielőtt válaszolsz

Gyors szinten (Instant a Chatben, none vagy low az API-ban) a modell szinte közvetlenül válaszol. Minél magasabbra állítod a szintet, annál több tokent használ fel gondolkodásra, mielőtt megjelenítené a látható választ. Ezt a fázist tekintheted egy piszkozatnak: a probléma lebontása, lehetséges irányok feltárása, zsákutcák kizárása, ellenőrzés, majd szintetizálás. Ez egy hasznos mentális modell, nem pedig a belső működés hivatalos leírása; az OpenAI által leírtak szerint a modell lebontja a kérést, és több megközelítést is mérlegel, mielőtt válaszolna.

Vegyük például a „17 × 23 + 45 ÷ 9 − 12“ kifejezést. Következtetés nélkül valós a hiba kockázata a műveleti sorrend tekintetében. Magasabb szinten a modell időt szán arra, hogy először elvégezze a szorzást és az osztást (391 és 5), majd az összeadást és a kivonást (391 + 5 − 12 = 384), és csak ezután ellenőrzi az eredményt, mielőtt közli azt.

Mi történik a válasz előtt Négy egyszerűsített lépés: a kérés és annak kontextusa; a következtetés, amely következtetési tokenekből áll; az ellenőrzés, ahol összehasonlítják az irányokat és kizárják a hibákat; a válasz, amely az egyetlen látható rész. KÖVETKEZTETÉSI TOKENEK Mi történik a válasz előtt 1 Kérés A prompt és a kontextus 2 Következtetés Következtetési tokenek 3 Ellenőrzés Irányok összehasonlítva 4 Válasz Az egyetlen látható rész Az API-ban ezek a tokenek helyet foglalnak a kontextusban, és kimeneti tokenként számlázzák őket.
Az OpenAI API Reasoning models útmutatója alapján (2026. november).

Következtetési tokenek: Láthatatlanok, de számítanak

A következtetési tokenek nem jelennek meg a válaszban, de beszámítják őket. Az API-ban helyet foglalnak a kontextusablakban, és kimeneti tokenként számlázzák őket. A nehézségi foktól függően a modell néhány száztól több tízezerig terjedő mennyiségben generálhat ilyen tokeneket. Ha a kimeneti korlát (max_output_tokens) a következtetés során telik be, a válasz incomplete (befejezetlen) állapottal tér vissza, néha még azelőtt, hogy bármilyen látható szöveg megszületett volna; az OpenAI azt javasolja, hogy a kísérletezés kezdetén legalább 25 000 tokent tartalékolj a következtetésre és a válaszra.

A nyers következtetés nem érhető el közvetlenül. Az API-ban kérhetsz egy következtetési összefoglalót a reasoning.summary paraméter segítségével. A ChatGPT-ben, a GPT-6 használatakor a válasz megkezdődhet még akkor is, amikor a modell éppen gondolkodik, majd később részletekkel egészül ki.

Pro, Max és Ultra: Három módszer a teljesítmény fokozására

A ráfordítási szinteken túl három mechanizmus viszi tovább a következtetést, és fontos, hogy ne keverd össze őket.

  • Pro mód (reasoning.mode: "pro" az API-ban, Pro szint a Chatben) arra készteti a modellt, hogy keményebben dolgozzon a nehéz feladatokon, amelyek tolerálják a nagyobb késleltetést. Az API-ban ezt a plusz munkát a választott modell szokásos díjszabása szerint számlázzák, de több tokent fogyaszt.
  • A Max, mind a Workben és a Codexben, mind az API-ban (max), több időt biztosít a modellnek egyetlen feladat következtetésére.
  • Az Ultra, kizárólag a Workben és a Codexben, túlmutat egy egyetlen ágens munkáján: a komplex feladat részeit párhuzamosan dolgozó alágensekhez rendeli. Csak akkor hasznos, ha a munka független darabokra bontható. A GPT-6 Luna eléri a Max szintet, de az Ultrát nem.

Mit változtat meg a következtetés, és mit nem

A magas következtetési szint különbséget tesz bizonyos problémacsoportok esetén: matematika és statisztika, logika és dedukció, összetett kód és hibakeresés, súlyozott kritériumokon alapuló stratégiai elemzés, és általában bármilyen több lépésből álló feladat. Az OpenAI ezért a high szintet javasolja nehéz következtetést igénylő feladatokhoz, összetett hibakereséshez és mélyreható tervezéshez.

Ugyanakkor ez nem varázspálca. A modell a következtetés ellenére is hibázhat: egy hamis premissza hamis konklúzióhoz vezet, függetlenül attól, mennyire alapos a következtetési folyamat. A következtetés növeli a válaszidőt és a költséget. Egy egyszerű feladat esetén pedig nem ad hozzá semmit ahhoz, amit egy gyors szint már ne tudna kezelni.

Próbáld ki te is

Figyeld meg a mechanizmust működés közben. Tedd fel ezt a kérdést először gyors szinten, majd magas szinten (Instant, majd High a Chatben, vagy low, majd high az API-ban): „Egy vonat reggel 8:00-kor indul Párizsból 120 km/h sebességgel. Egy másik 8:30-kor indul Lyonból, amely 465 km-re van, 150 km/h sebességgel Párizs felé. Mikor és Párizstól milyen távolságra találkoznak?“ Ellenőrizd magadnak a várt választ: 10:00, 240 km-re Párizstól. Ha az API-t használod, hasonlítsd össze a két szinthez tartozó válasz használati (usage) adataiban reported következtetési tokenek számát.

Hivatalos források: Reasoning models (OpenAI API: következtetési tokenek, számlázás, kontextus, összefoglalók, pro mód, ráfordítási szintek) · Models (ChatGPT dokumentáció: Max és Ultra) · GPT-6 and other models in ChatGPT (a következtetés során megkezdődő válaszok)

Főbb megállapítások

  • A következtetés gondolkodási tokeneket ad hozzá a válasz előtt; számuk a választott szinttel nő
  • Ezek a tokenek láthatatlanok, de helyet foglalnak a kontextusban, és az API-ban kimeneti tokenként számlázzák őket
  • Biztosíts elegendő kimeneti tartalékot, különben a válasz befejezetlenként tér vissza
  • A Pro arra készteti a modellt, hogy keményebben dolgozzon, a Max több időt biztosít, az Ultra pedig szétosztja a munkát az alágensek között (Work és Codex)
  • A következtetés nem véd meg a hibáktól: egy hamis premissza hamis konklúzióhoz vezet