Modelos de Raciocínio

​

Visão geral

​

Casos de uso típicos

• Resolução de problemas complexos: Adequado para tarefas que exigem lógica passo a passo, como raciocínio matemático ou científico.
• Sistemas de suporte à decisão: Ajuda a explicar a lógica por trás das conclusões ao fornecer processos de raciocínio detalhados.
• Educação e treinamento: Auxilia os alunos a entender conceitos complexos ao apresentar processos de derivação de forma clara.

​

Instalação e configuração

pip install -U openai

​

Uso da API

​

Parâmetros da solicitação

• max_tokens: Define o número máximo de tokens que o modelo pode retornar.
• temperature: Recomendado entre 0.5 e 0.7 (sugestão: 0.6) para equilibrar criatividade e lógica.
• top_p: O valor recomendado é 0.95.

​

Código de exemplo

​

Resposta em streaming

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.novita.ai/openai")
messages = [
    {"role": "user", "content": "Explain Newton's Second Law."}
]

response = client.chat.completions.create(
    model="deepseek/deepseek-r1",
    messages=messages,
    stream=True,
    max_tokens=4096
)

content = ""
reasoning_content = ""
for chunk in response:
    if chunk.choices[0].delta.content:
        content += chunk.choices[0].delta.content
    if chunk.choices[0].delta.reasoning_content:
        reasoning_content += chunk.choices[0].delta.reasoning_content

print("Final Answer:", content)
print("Reasoning Steps:", reasoning_content)

​

Resposta sem streaming

response = client.chat.completions.create(
    model="deepseek/deepseek-r1",
    messages=[
        {"role": "user", "content": "What is the greenhouse effect? How can it be mitigated?"}
    ],
    stream=False,
    max_tokens=4096
)

content = response.choices[0].message.content
reasoning_content = response.choices[0].message.reasoning_content

print("Final Answer:", content)
print("Reasoning Steps:", reasoning_content)

​

Gerenciamento de contexto

messages.append({"role": "assistant", "content": content})
messages.append({"role": "user", "content": "Please continue explaining the solution."})

​

Modelos compatíveis

​

Cobrança

• A cobrança é baseada no número de tokens tanto para entrada quanto para saída.
• Consulte a página de preços de cada modelo para regras específicas de cobrança e detalhes de conversão de tokens.

​

Observações e boas práticas

• Evite colocar instruções de raciocínio na mensagem system. Em vez disso, deixe a intenção explícita na mensagem user.
• Para tarefas matemáticas, instrua claramente o modelo, por exemplo: “Please reason step by step and provide a final answer.”
• Para evitar que o modelo pule etapas de raciocínio, considere solicitar uma quebra de linha antes da resposta final.