Przejdź do głównej treści
Polski— Wybierz język
Menu

Jak działają modele rozumujące

Lekcja 2 z 12 Zaktualizowano 5 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Pod maską modeli, które „myślą“
  2. Pomyśl, zanim odpowiesz
  3. Tokeny rozumujące: niewidoczne, ale liczone
  4. Pro, Max i Ultra: trzy sposoby na zrobienie więcej
  5. Co zmienia rozumowanie, a czego nie
  6. Wypróbuj to sam
  7. Kluczowe wnioski

Pod maską modeli, które „myślą“

Gdy zwiększasz poziom rozumowania, model nie generuje odpowiedzi natychmiast. Najpierw produkuje tokeny rozumujące, których używa do rozbicia zapytania i zbadania wielu sposobów odpowiedzi. Zrozumienie tego mechanizmu to nie tylko teoria – pozwala ci to odpowiednio dobrać poziom, przewidzieć koszty i poprawnie zinterpretować wynik działania modelu.

Pomyśl, zanim odpowiesz

Przy szybkim poziomie (Instant w Czacie, none lub low w API) model odpowiada niemal bezpośrednio. Im wyższy poziom ustawisz, tym więcej tokenów zużyje na myślenie przed wygenerowaniem widocznej odpowiedzi. Możesz traktować tę fazę jako szkic: rozbijanie problemu, badanie ścieżek, odrzucanie ślepych uliczek, weryfikację, a następnie syntezy. To pomocny model mentalny, a nie oficjalny opis działania wewnętrznego; OpenAI opisuje model, który dekomponuje zapytanie i rozważa kilka podejść przed udzieleniem odpowiedzi.

Weźmy wyrażenie „17 × 23 + 45 ÷ 9 − 12“. Bez rozumowania ryzyko błędu dotyczącego pierwszeństwa operatorów jest realne. Przy wyższym poziomie model poświęca czas na przetworzenie najpierw mnożenia i dzielenia (391 i 5), następnie dodawania i odejmowania (391 + 5 − 12 = 384), a przed podaniem wyniku weryfikuje go.

Co dzieje się przed odpowiedzią Cztery uproszczone kroki: zapytanie i jego kontekst; rozumowanie, złożone z tokenów rozumujących; weryfikacja, gdzie porównywane są ścieżki i odrzucane błędy; odpowiedź, jedyna widoczna część. TOKENY ROZUMUJĄCE Co dzieje się przed odpowiedzią 1 Zapytanie Prompt i kontekst 2 Rozumowanie Tokeny rozumujące 3 Weryfikacja Porównanie ścieżek 4 Odpowiedź Jedyna widoczna część W API tokeny te zajmują kontekst i są rozliczane jako tokeny wyjściowe.
Na podstawie przewodnika po modelach rozumujących OpenAI API (listopad 2026).

Tokeny rozumujące: niewidoczne, ale liczone

Tokeny rozumujące nie pojawiają się w odpowiedzi, ale są liczone. W API zajmują miejsce w oknie kontekstowym i są rozliczane jako tokeny wyjściowe. W zależności od trudności model może wygenerować od kilkuset do kilkudziesięciu tysięcy takich tokenów. Jeśli limit wyjścia (max_output_tokens) zostanie osiągnięty podczas rozumowania, odpowiedź zostanie zwrócona ze statusem incomplete, czasem zanim wygenerowany zostanie jakikolwiek widoczny tekst; OpenAI zaleca zarezerwowanie co najmniej 25 000 tokenów na rozumowanie i odpowiedź, gdy zaczynasz eksperymenty.

Surowe rozumowanie nie jest udostępniane. W API możesz zażądać podsumowania rozumowania za pomocą parametru reasoning.summary. W ChatGPT, przy użyciu GPT-6, odpowiedź może zacząć się generować, gdy model wciąż myśli, a następnie zostać wzbogacona o szczegóły później.

Pro, Max i Ultra: trzy sposoby na zrobienie więcej

Poza poziomami wysiłku, trzy mechanizmy pozwalają pchnąć rozumowanie dalej i warto ich nie mylić.

  • Tryb Pro (reasoning.mode: "pro" w API, poziom Pro w Czacie) sprawia, że model ciężej pracuje nad trudnymi zadaniami, które tolerują większe opóźnienia. W API ta dodatkowa praca jest rozliczana według standardowej stawki dla wybranego modelu, ale zużywa więcej tokenów.
  • Max, w Work i Codex oraz w API (max), daje modelowi więcej czasu na rozumowanie w ramach jednego zadania.
  • Ultra, dostępne tylko w Work i Codex, wykracza poza pojedynczego agenta: przydziela części złożonego zadania pod-agentom pracującym równolegle. Jest przydatne tylko wtedy, gdy pracę można podzielić na niezależne fragmenty. GPT-6 Luna sięga poziomu Max, ale nie Ultra.

Co zmienia rozumowanie, a czego nie

Wysoki poziom rozumowania ma znaczenie dla konkretnych rodzin problemów: matematyki i statystyki, logiki i dedukcji, złożonego kodu i debugowania, analizy strategicznej z ważonymi kryteriami oraz ogólnie wszelkich zadań wieloetapowych. OpenAI zaleca zatem high dla trudnego rozumowania, złożonego debugowania i głębokiego planowania.

To jednak nie jest magiczna różdżka. Model nadal może popełniać błędy po przeprowadzeniu rozumowania: fałszywa przesłanka prowadzi do fałszywego wniosku, niezależnie od tego, jak staranny był proces rozumowania. Rozumowanie wydłuża czas odpowiedzi i zwiększa koszt. W przypadku prostego zadania nie wnosi niczego, z czym nie poradziłby sobie już szybki poziom.

Wypróbuj to sam

Zobacz mechanizm w akcji. Zadaj to pytanie najpierw na szybkim poziomie, a następnie na wysokim (Instant, a potem High w Czacie lub low, a potem high w API): „Pociąg wyjeżdża z Paryża o 8:00 rano, jadąc z prędkością 120 km/h. Inny wyjeżdża z Lyonu, oddalonego o 465 km, o 8:30 rano, jadąc z prędkością 150 km/h w kierunku Paryża. O której godzinie i w jakiej odległości od Paryża się spotkają?”. Zweryfikuj oczekiwaną odpowiedź samodzielnie: 10:00 rano, 240 km od Paryża. Jeśli używasz API, porównaj liczbę tokenów rozumowania zgłoszonych w sekcji usage odpowiedzi dla obu poziomów.

Źródła oficjalne: Modele rozumujące (OpenAI API: tokeny rozumujące, rozliczenia, kontekst, podsumowania, tryb pro, poziomy wysiłku) · Modele (dokumentacja ChatGPT: Max i Ultra) · GPT-6 i inne modele w ChatGPT (odpowiedzi zaczynające się podczas rozumowania)

Kluczowe wnioski

  • Rozumowanie dodaje tokeny myślenia przed odpowiedzią; ich liczba rośnie wraz z wybranym poziomem
  • Niewidoczne, tokeny te zajmują kontekst i są rozliczane jako tokeny wyjściowe w API
  • Zapewnij wystarczający margines wyjścia, inaczej odpowiedź zostanie zwrócona jako niekompletna
  • Pro sprawia, że model pracuje ciężej, Max daje mu więcej czasu, Ultra rozdziela pracę między pod-agentów (Work i Codex)
  • Rozumowanie nie uodparnia na błędy: fałszywa przesłanka prowadzi do fałszywego wniosku