Короткая сводка материала: разбираем, чем reasoning-модели (LLM, которые «думают» пошагово) отличаются от обычных языковых моделей, что изменилось с GPT-3.5 до o3 и Claude Extended Thinking, какие техники реально поднимают качество рассуждений — и где у этого подхода фундаментальные границы. Без академического занудства, с практикой и нюансами, которые видно только в работе.

Вступление: сначала рамка, потом термины

В 2024 году OpenAI показала o1-preview — модель, обученную тратить больше времени на рассуждение перед ответом. В 2025 году этот подход продолжили o3 и o4-mini: reasoning-модели стали не просто «медленными чат-ботами», а системами, которые используют дополнительный вычислительный бюджет для решения сложных задач в математике, коде, анализе изображений и работе с инструментами. OpenAI действительно описывала o1 как модели, которые «spend more time thinking before they respond», а o3/o4-mini — как модели o-серии, обученные «think for longer before responding». На поверхности это выглядело как маркетинговая пауза: «подождите, модель размышляет». На практике пауза — это не задержка ради задержки, а другой способ вычислять: на математике, коде и многошаговой логике такие модели стали резко обгонять обычные чат-модели.

В 2026 году рынок reasoning-систем уже нельзя свести к одной модели или одному подходу. У OpenAI это o-серия и GPT-5 с отдельным reasoning-режимом и маршрутизацией задач. У Anthropic — Claude с Extended Thinking и сильным упором на агентные сценарии. У Google — Gemini с Deep Think и мультимодальными возможностями. В open-weight сегменте заметны DeepSeek R1 и отдельные модели Moonshot/Kimi, но их важно не смешивать: DeepSeek R1 — именно reasoning-модель, а Kimi K2 сильнее позиционируется как agentic/tool-use модель, не обязательно как long-thinking reasoner. И вокруг них выстроился целый стек техник — Chain-of-Thought, ReAct, CoT-RAG, multi-hop reasoning, tool-augmented planning. В этом материале я хочу разобрать не «что такое reasoning-модель» (этого добра и так хватает), а как устроена сама способность рассуждать, где она заканчивается и что с ней делать практику — тому, кто строит агентов, выбирает модель под задачу или просто хочет понимать, почему 2026 год стал переломным.

Что мы вообще называем «рассуждением» в LLM

Когда говорят «модель рассуждает», имеют в виду не сознание и не человеческое мышление, а способность выполнять “многошаговый вывод” — цепочку логических шагов, где каждый следующий шаг зависит от предыдущего. Это не то же самое, что «знать ответ». Рассуждение — это про то, чтобы дойти до ответа через серию промежуточных операций, удерживая согласованность.

Три индикатора отличают рассуждающую модель от просто большой:

  • Многошаговость (multi-step reasoning). Способность разбить сложную задачу на последовательность мелких логически связанных подзадач. Рассуждение редко бывает одноэтапным — это скорее исключение.
  • Согласованность (consistency). Поддержание логической нити на протяжении всего ответа, минимизация внутренних противоречий, даже когда входные данные сами по себе противоречивы.
  • Обработка ограничений (constraint handling). Умение работать с заданными рамками: «ответ не длиннее 100 слов», «включи три ключевых термина», «не используй внешние источники». Для обычной LLM такие ограничения — это шум, который легко теряется; для reasoning-модели это часть задачи, которую она умеет держать в фокусе.

Инсайт: индикаторы кажутся очевидными, но именно по ним в 2026-м и различают классы моделей. Обычный чат-бот вроде GPT-3.5 «умел писать» — но не умел “удерживать рассуждение” дольше одного-двух шагов. GPT-4 это уже умел. o-серия и Claude Extended Thinking подняли это на качественно другой уровень.

Эволюция: от GPT-3.5 к o3 и Claude Extended Thinking

GPT-3.5 — слабое и нестабильное многошаговое рассуждение

У GPT-3.5 уже были зачатки многошагового вывода, но они были нестабильными. Модель хорошо писала связный текст, адаптировалась к стилю и часто выглядела «понимающей», но на длинной математике, строгой логике, планировании с условиями и проверяемых вычислениях быстро теряла нить. Поэтому GPT-3.5 лучше описывать не как «модель без рассуждения», а как модель, у которой reasoning был побочным эффектом масштаба, а не отдельным оптимизированным режимом.

GPT-4 — перелом, но ещё не фундамент

Переход от GPT-3.5 к GPT-4 — это один из самых заметных скачков в когнитивных способностях LLM. Если GPT-3.5 хорошо запоминал факты и имитировал стиль, то GPT-4 начал справляться с многошаговыми логическими цепочками и задачами, требующими планирования. На практике это проявилось в трёх вещах:

  • Математика. Модель стала не просто «угадывать ответ», а показывать пошаговое решение, минимизируя ошибки в промежуточных вычислениях.
  • Код. Генерация более сложного и функционально корректного кода, с учётом контекстных ограничений.
  • Анализ текстов. Выявление скрытых причинно-следственных связей и противоречий в больших объёмах информации.

Важный сдвиг произошёл не только в самой модели, но и в системной обвязке вокруг LLM: появились function calling, code execution, поиск, работа с файлами и API. С этого момента LLM стала не просто генератором текста, а ядром системы, которая может вызывать инструменты и выполнять цепочки действий. До этого порога модель была изолирована в мире слов. После — она могла действовать.

o1 / o3 — рассуждение как отдельный режим

В 2024 году OpenAI представила o1-preview — первую широко заметную модель новой o-серии, оптимизированную под сложные задачи в науке, коде и математике. В 2025 году появились o3 и o4-mini: OpenAI прямо описывает их как модели, обученные думать дольше перед ответом и использовать инструменты — поиск, Python, анализ файлов, визуальные входы и генерацию изображений — в процессе решения задачи. Важно сравнивать такие модели только с учётом условий теста: с инструментами или без, pass@1 или consensus, high reasoning effort или обычный режим. Разница с обычными GPT-моделями не только в размере, но и в режиме инференса (то есть в том, как модель генерирует ответ): o-серия тратит вычислительный бюджет на внутреннюю цепочку размышлений перед финальным ответом.

Claude Extended Thinking — рассуждение с упором на агентные задачи

Anthropic развивает тот же общий вектор, но с сильным акцентом на агентные сценарии, код и длительные задачи. Claude 4 описывается как гибридная система: быстрый режим для простых запросов и Extended Thinking для сложного reasoning. Отдельно Anthropic подчёркивает режим extended thinking with tool use, где Claude может чередовать рассуждение и вызов инструментов. На больших документах (юридических, научных) это преимущество становится особенно заметным.

Gemini 2.5/3 Deep Think — мультимодальность

Google ставку сделал на нативную мультимодальность (то есть способность работать одновременно с текстом, изображениями, кодом и видео в одном запросе). Gemini Deep Think — это рассуждение, которое умеет одновременно учитывать текст, картинку и код в одной задаче. В задачах, где нужно одновременно учитывать текст, изображение, таблицу, код или видео, мультимодальные reasoning-модели вроде Gemini Deep Think потенциально имеют преимущество перед чисто текстовыми моделями. Но сравнивать их корректно можно только по конкретным мультимодальным бенчмаркам и одинаковым условиям тестирования.

Открытые и open-weight модели: DeepSeek R1 отдельно, Kimi K2 отдельно

Отдельная история — open-weight модели. DeepSeek R1 стал важным прецедентом именно для reasoning: модель и производные чекпойнты доступны сообществу, а лицензия допускает коммерческое использование и модификации. Kimi K2 тоже важен для открытой экосистемы, но его корректнее описывать как мощную MoE-модель для agentic/tool-use сценариев. Kimi-K2-Instruct не стоит без оговорки ставить в один ряд с long-thinking моделями: в карточке модели он прямо описан как reflex-grade model without long thinking. Для исследователей, стартапов и тех, кто строит приватные инсталляции, open-weight reasoning-модели сменили правила игры: можно запустить R1 на своих GPU, дообучить под свою задачу и получить рассуждение, не отдавая данные в облако.

Техники, которые делают reasoning реальным

Базово LLM остаётся вероятностной моделью генерации токенов. Но современные reasoning-системы — это уже не «голый трансформер»: поверх базовой модели работают обучение на рассуждениях, reinforcement learning, inference-time compute, tool use и внешняя оркестрация. Поэтому reasoning лучше понимать не как магию внутри модели, а как системный эффект нескольких слоёв, где сама базовая архитектура не «принимает решения», но и не «рассуждает» в человеческом смысле.

Chain-of-Thought (CoT) — думай вслух

Один из ключевых приёмов, который сделал reasoning заметным на практике, — Chain-of-Thought (цепь рассуждений). Его идея: не требовать от модели мгновенного ответа, а заставить её пройти через промежуточные шаги. Это особенно помогает в арифметике, логических задачах и многошаговом планировании, хотя само по себе CoT ещё не превращает обычную LLM в современную reasoning-модель. На длинных цепочках CoT заметно поднимает точность по сравнению с «ответь сразу», но без других техник этого недостаточно для современных reasoning-моделей.

CoT-RAG — рассуждение поверх знаний

В 2025-м году вышел метод CoT-RAG (Chain-of-Thought + Retrieval-Augmented Generation), который объединил CoT с поиском по внешним источникам. Идея: модель не просто «думает вслух», а на каждом шаге рассуждения подтягивает релевантные документы и проверяет себя по ним. Это снижает риск галлюцинаций, но не убирает его полностью: модель всё ещё может выбрать нерелевантный источник, неверно интерпретировать документ или сделать ошибочный вывод поверх корректных данных. На задачах вроде «что изменилось в нашей refund policy между 2023 и 2025?» CoT-RAG показывает результаты, которых не даёт ни CoT, ни RAG по отдельности.

Multi-hop reasoning — прыжки по фактам

Multi-hop reasoning — это когда модель делает несколько последовательных поисков по цепочке: «Найди X → из X выведи Y → из X и Y выведи Z». Single-shot RAG (один запрос — один поиск) тут не работает: ретривер (компонент, который ищет релевантные документы) возвращает семантически ближайший параграф, а не тот, что нужен для второго шага. Multi-hop решает это явно: после первого прыжка модель формулирует новый запрос и ищет снова.

ReAct — рассуждение вперемешку с действиями

ReAct (Reasoning + Acting) — это паттерн, в котором модель чередует reasoning traces и действия: сформулировала промежуточный вывод, вызвала инструмент, получила наблюдение, обновила план и пошла дальше. Это фундамент агентных систем: модель не просто пишет план, а исполняет его, наблюдает за результатом и корректирует курс.

Tool-augmented planning — модель как оркестратор

Более широкий класс техник, где LLM становится оркестратором инструментов: калькулятор, поиск, база данных, API компании, IDE. На практике самые мощные системы 2026 года — это не «голая LLM», а LLM + набор инструментов + planning layer, который выбирает, когда какой инструмент вызвать.

Важно: все эти техники — не «магия рассуждения», а способ “снизить энтропию” (степень неопределённости) на каждом шаге. CoT заставляет модель «не прыгать» к финальному ответу. RAG заземляет рассуждение на фактах. ReAct связывает мысль с действием. Каждый метод — это руль, а не двигатель. Двигатель по-прежнему остаётся трансформером с его вероятностями.

Что сегодняшние reasoning-модели умеют и где проседают

Что умеют хорошо

  • Сложная математика и логика. На ряде сложных бенчмарков по математике, коду и научному reasoning такие модели заметно обходят обычные чат-модели. Но величина разрыва зависит от конкретного теста, режима inference, доступа к инструментам и методики подсчёта результата.
  • Глубокий код. Не «напиши функцию сортировки», а «спроектируй архитектуру сервиса, учти edge-cases, проверь граничные условия». Тут рассуждение даёт ощутимый прирост.
  • Планирование с условиями. Задачи вида «у нас бюджет X, срок Y, ограничения Z — предложи план» — там, где нужно удержать несколько переменных одновременно.
  • Многошаговый анализ данных. Аналитические задачи, где нужно пройтись по десяткам связанных фактов и сделать вывод.

Где проседают

  • Галлюцинации при росте цепочки. Чем длиннее цепочка рассуждений, тем выше шанс, что на каком-то шаге модель «сорвётся» и дальше пойдёт по ложному следу. Это системная проблема длинного рассуждения: ошибка на одном шаге может распространиться дальше по цепочке. Даже сильные reasoning-модели не застрахованы от такого дрейфа, поэтому в продакшне нужны внешние проверки, тесты, валидация данных и ограничение прав агента.
  • Верификация собственных шагов. Модели плохо умеют “проверять себя”: они скорее «уверенно» продолжают, чем останавливаются и валидируют. Это решается внешними проверками, но не встроено в архитектуру.
  • Долгие рассуждения деградируют. На очень длинных цепочках (сотни шагов) качество начинает падать — модель «забывает» контекст или начинает повторяться.
  • Формальная логика и доказательства. LLM всё ещё плохо работают с настоящими формальными доказательствами, где нужна пошаговая верификация каждого перехода. Тут по-прежнему сильнее символические системы (то есть классический ИИ, основанный на правилах и логическом выводе, а не на нейросетях).

Практика: когда какую модель брать

Практическая матрица выбора должна быть не «какая модель умнее вообще», а «какая модель лучше под конкретный класс задач». На момент публикации разумная рамка выглядит так:

  • Сложная математика, код, формальная логика — OpenAI o3 / GPT-5 thinking / аналогичные high-reasoning модели. Проверять по свежим AIME, GPQA, SWE-bench, LiveCodeBench.
  • Длинные агентные задачи, работа с кодовой базой, tool use — Claude с Extended Thinking, OpenAI o3/GPT-5 thinking, Kimi K2 для agentic tool-use. Сравнивать на своей задаче, а не по общим рейтингам.
  • Мультимодальные задачи — Gemini Deep Think / GPT-5 / o3 с vision/tool use. Нужны одинаковые условия: изображения, видео, код, таблицы.
  • Локальный или приватный reasoning — DeepSeek R1 и производные. Учитывать железо, скорость, качество русскоязычных ответов и безопасность.
  • Быстрые бытовые задачи — Instant/Flash/Sonnet-режимы без long thinking. Reasoning здесь часто лишний: дороже и медленнее.

Совет: включайте reasoning-режим только тогда, когда задача требует многошагового вывода. Для «переведи текст», «ответь на простой вопрос», «суммируй абзац» — это лишние токены и секунды. На простых задачах reasoning-модель не лучше обычной, а стоит в разы дороже.

Что это значит для практики: агенты, продакшн, выбор

Для тех, кто строит агентов и выбирает модели под продакшн, появление reasoning-моделей меняет три вещи.

Первое — цена ошибки рассуждения. В обычной LLM ошибка — это «неправильный ответ, перегенерируем». В агенте ошибка рассуждения — это «сломанный workflow, потерянные данные, неправильное действие». Поэтому для агентов особенно важна способность модели “проверять себя” и “отказываться” от действия при неуверенности. В ряде агентных сценариев Claude с Extended Thinking выглядит особенно сильным, но это не универсальный закон. Для продакшена правильнее тестировать модели на собственных workflow: с теми же инструментами, правами доступа, типами ошибок и стоимостью запуска.

Второе — оркестрация важнее выбора модели. Самые сильные системы 2026 года — это LLM + набор инструментов + planning layer. Голый o3 — это блестящий математик. o3 + доступ к базе + калькулятор + агентурный слой — это рабочий продукт. Если вы строите серьёзную систему, вкладывайтесь в оркестрацию, а не только в выбор самой «умной» модели.

Третье — локальные reasoning-модели стали реальностью. DeepSeek R1 сделал локальный/open-weight reasoning практически доступным для команд с достаточными GPU-ресурсами. Kimi K2 важен для другой близкой категории — open-weight agentic/tool-use моделей, которые хорошо подходят для агентов, кода и работы с инструментами, но не должны автоматически приравниваться к long-thinking reasoning-моделям. Для компаний с жёсткими требованиями по приватности или для исследовательских задач это меняет расклад.

Чего ждать дальше

Будущее reasoning-моделей — это не «ещё больше параметров». Это три конкретных направления, по которым идёт работа.

Верификация и доказательная база. Модели должны не просто выдавать вывод, а предоставлять доказательную базу для каждого шага рассуждения. Сейчас это внешняя задача (дополнительные проверки, второй проход другой моделью), но вероятное направление развития — перенос части проверки в сам процесс inference: модель не только генерирует ответ, но и оценивает промежуточные шаги, вызывает внешние проверки и использует инструменты для валидации результата.

Мультимодальная когерентность. Способность связывать логику, извлечённую из текста, с визуальной информацией — рассуждать о физике, глядя на диаграмму, или анализировать видео, удерживая логическую нить. Gemini Deep Think уже движется в эту сторону.

Эффективное планирование. Переход от реактивного ответа к проактивному планированию, где модель сама разбивает сложную задачу на подзадачи, оценивает ресурсы, управляет исполнением. Это уже не «LLM», а полноценный автономный агент — и reasoning-модели становятся его ядром.

Инсайт: мы ещё очень далеки от универсального ИИ уровня человека. Но в 2026 году reasoning-модели перестали быть «экспериментом для исследователей» и стали рабочим инструментом — таким же, как GPT-4 стал рабочим инструментом два года назад. Разница в том, что теперь LLM не просто пишет текст, а думает, проверяет, действует. И это меняет архитектуру продуктов, которые мы строим.

Вывод

Reasoning-модели — это не «ещё одна фича». Это другой режим вычислений: модель тратит бюджет не на сам ответ, а на путь к ответу. В 2026 году это дало рывок в математике, коде, агентных сценариях и аналитике. Но reasoning не является универсальным усилителем. В креативном письме, простых диалоговых задачах и бытовых ответах выигрыш может быть минимальным. В строгой формальной логике и доказательствах по-прежнему важны внешние проверяющие системы: theorem provers, тесты, компиляторы, валидаторы и формальные спецификации.

Практический вывод простой: для задач, где есть многошаговая структура и проверяемый результат — берите reasoning-модель, и разница с обычной LLM будет видна сразу. Для всего остального — обычная LLM быстрее и дешевле, а рассуждение там не помогает. И главное — помните, что reasoning-модели не думают как человек. Они имитируют структуру мысли, и на каждом длинном рассуждении где-то всё равно ошибаются. Поэтому человек остаётся редактором смысла, а модель — инструментом, который этот смысл собирает.

А в диалоге можно двигаться дальше. Если захотите разобрать вашу задачу с выбором модели — @vorobeoff.

Ссылки

Ссылки

По теме

По теме

  • База знаний: [Локальный ИИ на одной команде: как Ollama сделала LLM доступными без облака](/knowledge/ollama-llm-runtime-local-cloud/)
  • База знаний: [NeuralDeep: российский AI-стек на своих GPU — от LLM API до сети агентов](/knowledge/neuraldeep-rossiiskii-ai-stek/)
  • База знаний: [Obsidian и LLM Wiki: локальная база знаний, которую строит и поддерживает модель](/knowledge/obsidian-lokalnaya-baza-znanii-llm-wiki/)