Látható következtetés: Fogalom és 2026-os felhozatal
Ezen az oldalon
Frissítve: 2026. november 3. az xAI Models oldala és Reasoning útmutatója alapján: a grok-4.6 és grok-4.7 modellek teljessé teszik a csúcskategóriás felhozatalt, beleértve az
xhigherőfeszítési beállítást is. Források: Models · Reasoning.
Mi az a látható következtetés?
A következtető modell a végső válasz megfogalmazása előtt létrehoz egy belső gondolatmenetet: lebontja a problémát, feltárja a lehetséges megoldási utakat, és ellenőrzi a lépéseit. Egyes modellek ezt a következtetési folyamatot megjelenítik az API-válaszban, míg mások belsőleg kezelik azt. E különbség megértése az egész tanfolyam kiindulópontja.
Történetileg az xAI-nál a grok-3-mini (az előző generáció, amelyet 2026-ban kivontak a katalógusból) tette népszerűvé a látható következtetést: a reasoning_content mezője tartalmazta a teljes gondolatmenetet sima szövegként, közvetlenül olvasható formában. Ez az átláthatóság kiváló oktatási eszközzé és a promptok hibakeresésének preferált választásává tette.
2026 júliusában megváltozott a felhozatal. A következtetés most két modellcsaláddal működik:
- grok-4.20-0309-reasoning: a kifejezetten következtetésre szánt változat, 1 millió kontextus-tokennel.
- grok-4.7, grok-4.6 és grok-4.5: a csúcskategóriás modellek (2026 szeptembere, augusztusa és júliusa), amelyek következtetése állítható – a feladat alapján hangolhatod a következtetési erőfeszítést, egészen az
xhighszintig a 4.6 és 4.7 esetében; a grok-4.7 az xAI által ajánlott modell.
Állítható következtetési erőfeszítés
Az állítható következtetési erőfeszítés elve egyszerű: minél nagyobb az erőfeszítés, annál több következtetési tokent fogyaszt el a modell a válaszadás előtt, és annál megbízhatóbb a válasz összetett problémák esetén.
- Alacsony erőfeszítés: a modell röviden gondolkodik. Olyan egyszerű kérdésekhez alkalmas, ahol strukturált választ szeretnél anélkül, hogy túl sok tokent fogyasztanál.
- Magas erőfeszítés: a modell mélyreható következtetést végez. Logikai problémákhoz, több lépésből álló számításokhoz vagy összetett kódelemzéshez ideális.
Az előző generációnál ezt a beállítást a reasoning_effort paraméterrel (low / high) kezelték a grok-3-mini esetében:
{
"model": "grok-4.20-0309-reasoning",
"reasoning_effort": "high",
"messages": [
{
"role": "user",
"content": "Prove that the square root of 2 is irrational."
}
]
}
A grok-4.5 esetében a következtetés natívan konfigurálható: ez a modell egyik központi érve is egyben. A paraméter pontos neve és értékei az API-val együtt fejlődnek – mielőtt megírnád a kódodat, mindig ellenőrizd a hivatalos Models oldalt (docs.x.ai) az aktuális szintaxisért.
Következtetési nyomok a válaszban
Az előző generációnál a grok-3-mini egy reasoning_content mezőt adott vissza az üzenetobjektumban, amely sima szövegként tartalmazta a teljes következtetést:
{
"choices": [
{
"message": {
"role": "assistant",
"content": "The square root of 2 is irrational...",
"reasoning_content": "I will use a proof by contradiction. Assume that √2 = p/q where p and q are coprime integers..."
}
}
]
}
Fontos figyelmeztetés: a 2026-os felhozatalnál (grok-4.5, grok-4.20-0309-reasoning) a hivatalos dokumentáció nem garantálja, hogy a következtetési nyomok ugyanígy, sima szövegként elérhetők lesznek. Mielőtt olyan felületet építenél, amely megjeleníti a modell következtetését, teszteld a célzott modell által visszaadott válaszobjektumot, és konzultálj a hivatalos Models oldallal. Soha ne vedd készpénznek, hogy az előző generáció viselkedése változatlan marad.
Mit jelent ez számodra?
Ezt a különbséget érdemes megjegyezned:
- Feltárt következtetés: megjelenítheted a gondolatmenetet, hibakereshetsz benne, oktathatsz vele. Ezt modellenként ellenőrizd le az aktuális felhozatalon.
- Belső következtetés: a modell gondolkodik, de te csak a végső választ kapod meg (és potenciálisan egy titkosított, újrahasználható tartalmat – lásd a következő leckét).
Ha az alkalmazásodnak meg kell mutatnia, hogyan következtet a modell (korrepetálás, oktatási eszköz, audit), akkor a modell kiválasztásakor először ezt a pontot validáld. Ha csak a végső válasz minősége számít, akkor a grok-4.5 megfelelő erőfesséssel a természetes választás.
Az állítható következtetés alkalmazási esetei
- Prompt hibakeresés: a magas erőfeszítés a grok-4.20-0309-reasoning esetében feltárja, hogy a modell helyesen értelmezi-e az utasításaidat.
- Oktatás: matematikai vagy logikai következtetések lépésről lépésre történő lebontása.
- Validálás: ellenőrizd a következtetési útvonalat egy mintán, mielőtt éles környezetbe helyeznéd.
- Prototípuskészítés: tesztelj egy következtetési láncot alacsony erőfeszítéssel, mielőtt skáláznád.
Főbb megállapítások
- Egy következtető modell a válaszadás előtt gondolkodik; egyes modellek ezt feltárják, mások nem.
- A grok-3-mini (előző generáció, már nincs a katalógusban) sima szövegként tette elérhetővé a következtetését a
reasoning_contentrévén. - 2026-ban a következtetés a grok-4.20-0309-reasoning (kifejezetten erre szánt változat, 1M kontextus) és a grok-4.5 (konfigurálható következtetés, 500k kontextus) modellekkel működik.
- A nyomok feltárása az aktuális felhozatalnál nem garantált: teszteld az API-választ, és konzultálj a hivatalos Models oldallal.
- A következtetési erőfeszítést a feladat összetettsége alapján válaszd meg, ne alapértelmezetten a maximumon.