Los modelos de razonamiento son sistemas de lenguaje optimizados para resolver problemas mediante pasos intermedios explícitos, en lugar de generar una respuesta directa a partir de la mera predicción del siguiente token. Antes de responder, dedican tiempo de cómputo a "pensar": descomponen el problema, exploran alternativas y verifican resultados. Ejemplos conocidos son la serie o1/o3 de OpenAI, DeepSeek-R1 o Claude en sus modos de razonamiento extendido.
Su importancia radica en el salto de rendimiento que ofrecen en tareas que exigen lógica encadenada: matemáticas, programación, demostraciones o planificación compleja. Suelen entrenarse con técnicas de aprendizaje por refuerzo que premian las cadenas de razonamiento correctas, no solo la respuesta final. Esto les permite autocorregirse durante el proceso.
Un matiz práctico relevante:
- Consumen más tiempo y tokens, lo que encarece cada consulta.
- No siempre compensan en tareas sencillas, donde un modelo convencional responde igual de bien y más rápido.
Conviene reservarlos para problemas donde el razonamiento estructurado aporte una ventaja clara frente al coste añadido.