Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Titkosított következtetés

8. lecke 16 közül Frissítve 2026. július 28. Fejlesztő
Ezen az oldalon
  1. Belső következtetés a Grok modellekben
  2. Miért van titkosítva a következtetés?
  3. Titkosított következtetés lekérése
  4. Következtetés újrafelhasználása egy beszélgetésben
  5. Titkosított következtetés vs. klasszikus láncolás
  6. Mikor használj titkosított következtetést?
  7. Számlázási hatás
  8. Főbb megállapítások

Belső következtetés a Grok modellekben

A legújabb következtető modellek (például a grok-4.20-0309-reasoning) a válaszuk generálása előtt belső következtetést végeznek. Ezt a gondolatmenetet, amely normál esetben láthatatlan, az include paraméter segítségével titkosított formában lekérheted. Ezt követően visszacsatolhatod a későbbi kérésekbe, hogy biztosítsd a következtetés folyamatosságát.

Miért van titkosítva a következtetés?

A belső következtetés tartalmazza a modell nyers gondolatmenetét: a közbenső lépéseket, a tesztelt hipotéziseket és az elvetett utakat. Az xAI két okból titkosítja ezt a tartalmat:

  • Szellemi tulajdon: A következtetés feltárja a modell belső működését.
  • Folyamatosság: A titkosított tartalmat a modell újra felhasználhatja gondolatmenetének folytatásához.

Nem tudod elolvasni a titkosított tartalmat, de a modell képes azt visszafejteni és felhasználni.

Titkosított következtetés lekérése

Add hozzá az include=["reasoning.encrypted_content"] paramétert a kérésedhez:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Solve this problem: if a train leaves Paris at 2 PM at 200 km/h "
          "and another from Lyon at 3 PM at 300 km/h, when do they meet?",
    include=["reasoning.encrypted_content"]
)

A válasz tartalmazni fog egy további mezőt a titkosított következtetéssel:

{
  "output": [
    {
      "type": "reasoning",
      "encrypted_content": "eyJhbGciOiJSU0EtT0FFUCIsImVuYyI6..."
    },
    {
      "type": "message",
      "content": [{"type": "output_text", "text": "The two trains meet at..."}]
    }
  ]
}

Következtetés újrafelhasználása egy beszélgetésben

A titkosított következtetés fő előnye, hogy visszacsatolható a későbbi kérésekbe. Ez lehetővé teszi a modell számára, hogy pontosan ott folytassa a gondolatmenetét, ahol abbahagyta:

# 1. kérés: kezdeti probléma
response1 = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Prove that the square root of 2 is irrational.",
    include=["reasoning.encrypted_content"]
)

# Titkosított következtetés kinyerése
encrypted = None
for item in response1.output:
    if item.type == "reasoning":
        encrypted = item.encrypted_content
        break

# 2. kérés: mélyebb elemzés a következtetés megőrzésével
response2 = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Can you generalize this proof to roots of prime numbers?",
    previous_response_id=response1.id,
    include=["reasoning.encrypted_content"]
)

Titkosított következtetés vs. klasszikus láncolás

MegközelítésSzöveges kontextusKövetkeztetés folyamatossága
Csak previous_response_idIgenNem – a modell újraindítja a következtetést
previous_response_id + titkosított következtetésIgenIgen – a modell folytatja a gondolatmenetét

A különbség finom, de fontos a komplex következtetést igénylő feladatoknál. A titkosított tartalommal a modell nem csupán újraolvassa a kontextust: folytatja a belső gondolatmenetét.

Mikor használj titkosított következtetést?

Ajánlott

Ezekben az esetekben a közös szál mindig ugyanaz: olyan beszélgetés, ahol az N+1. lépésnek az N. lépés következtetésére kell épülnie. Egy több lépésben megoldott matematikai probléma minden koherenciáját elveszíti, ha a modell elfelejti az útját két üzenet között; egy egymást követő mélyelemzéseken keresztül végzett logikai elemzésnek szüksége van a közbenső hipotézisekre; az iteratív hibakeresés – „mi van, ha ezzel az értékkel tesztelünk?“ – csak akkor van értelme, ha a modell emlékszik arra, amit már kizárt. Általánosságban, amint azt tapasztalod, hogy a beszélgetéseidben a következtetés minősége romlik egyik lépésről a másikra, az a jel, hogy elveszett a következtetési kontextus: a titkosított következtetés visszacsatolása erre pontosan a megoldás.

Nem szükséges

  • Egyszerű beszélgetések (tényalapú kérdés-felelet)
  • Kreatív tartalomgenerálás
  • Olyan feladatok, amelyek nem igényelnek strukturált következtetést

Számlázási hatás

A titkosított következtetés tokenjeit a rendszer az output_tokens_details.reasoning_tokens mezőben számolja. Ugyanazon a díjszabáson számlázzák őket, mint a szabványos kimeneti tokeneket. A következtetés volumene jelentős lehet – néha 2-5-szöröse a látható válasznak.

Főbb megállapítások

  • A titkosított következtetés az include=["reasoning.encrypted_content"] paraméterrel kérhető le.
  • A tartalom titkosított – nem tudod elolvasni, de a modell újra felhasználhatja.
  • A previous_response_id-vel kombinálva biztosítja a gondolatmenet folyamatosságát.
  • Komplex, több lépésből álló következtetést igénylő feladatokhoz hasznos.
  • A következtetés tokenjeit akkor is számlázzák, ha azok nem láthatók a válaszban.