Como os modelos de raciocínio da IA aprendem a pensar passo a passo?
Modelos de raciocínio são treinados com aprendizado por reforço em problemas de resposta verificável, como matemática e código. O modelo faz muitas tentativas, cada uma uma cadeia de passos de raciocínio, e um verificador automático só recompensa as que chegam à resposta certa. Com o tempo, hábitos cuidadosos, como ir passo a passo e conferir o próprio trabalho, são reforçados.
▶ Pratique
Por que isso importa
Algumas respostas podem ser conferidas automaticamente, sem nenhuma pessoa. Assim o modelo pratica com milhões de problemas e aprende quais jeitos de pensar realmente chegam à resposta certa.
Em 6 minutos você vai conseguir
- Respostas de matemática e de código podem ser conferidas automaticamente, então o modelo pratica com milhões de problemas.
- O aprendizado por reforço recompensa as cadeias de raciocínio que chegam à resposta certa.
- Hábitos como dividir problemas e conferir o trabalho crescem porque compensam. Mesmo assim, confira as respostas importantes.
O que você vai praticar
Confira as cadeias
Em cada tentativa, toque no primeiro passo errado, ou em “Sem erro”. Depois rode o verificador e observe as barras.
Problema: 17 × 24 = ? → 408
- Chuta a resposta: Parece uns 400 → [✗ Então: 398] → 398 ✗
- Passos, sem conferir: 17 × 20 = 340 → [✗ 17 × 4 = 58] → 340 + 58 = 398 → 398 ✗
- Passos e confere: 17 × 20 = 340 → 17 × 4 = 68 → 340 + 68 = 408 → Conferindo: 17 × 25 − 17 = 408 ✓ → 408 ✓
Problema: Uma camiseta de R$ 40 está com 25% de desconto. Quanto você paga? → R$ 30
- Passos, sem conferir: 25% de 40 = 10 → 40 − 10 = 30 → R$ 30 ✓
- Chuta a resposta: [✗ 25% de desconto, então R$ 25] → R$ 25 ✗
- Passos e confere: 25% = um quarto → 40 ÷ 4 = 10 → 40 − 10 = 30 → Conferindo: 30 é 75% de 40 ✓ → R$ 30 ✓
Problema: Bia é 3 anos mais velha que Pedro. Juntos, eles têm 21 anos. Quantos anos tem a Bia? → 12
- Passos e confere: Pedro = x, Bia = x + 3 → 2x + 3 = 21 → x = 9, então Bia = 12 → Conferindo: 12 + 9 = 21 ✓ → 12 ✓
- Passos, sem conferir: Pedro = x, Bia = x + 3 → 2x + 3 = 21 → x = 9 → [✗ Então Bia tem 9] → 9 ✗
- Chuta a resposta: Mais ou menos metade de 21 → [✗ Então Bia tem 10] → 10 ✗
Problema: Um trem sai às 9h47 e a viagem dura 2 h 38 min. A que horas ele chega?
9h47 + 2 h = 11h47 → 11h47 + 38 min = 11h85 → Opa: 85 min não é horário. 85 min = 1 h 25 min → 11h + 1 h 25 min = 12h25 → Conferindo: de 9h47 a 12h25 são 2 h 38 min ✓ → 12h25 ✓Um verificador consegue dar nota?
Esse treino precisa de respostas que um programa consiga conferir. Quais tarefas servem?
- Resolva para x: 3x + 5 = 20 → Um verificador dá nota
- Escreva um bilhete simpático para um vizinho novo → Precisa de julgamento humano
- Corrija este código para todos os testes passarem → Um verificador dá nota
- Esta explicação está clara para alguém de 12 anos? → Precisa de julgamento humano
- Quantos dias há de 3 de março a 1º de abril? → Um verificador dá nota
- Qual de dois poemas é mais emocionante? → Precisa de julgamento humano
Quais hábitos foram recompensados?
Ninguém programou o jeito de pensar do Vireo. Quais hábitos crescem quando se recompensam respostas certas? Marque todos que valem.
- Dividir um problema em passos pequenos
- Conferir a resposta de outro jeito
- Tentar outro caminho depois de um beco sem saída
- Pensar mais nos problemas mais difíceis
- Soar mais confiante
- Usar palavras mais difíceis
Lembre-se
Modelos de raciocínio praticam com problemas de resposta verificável. Recompensar respostas certas torna mais provável o raciocínio cuidadoso, passo a passo.
Recompense a resposta certa vezes suficientes e os bons hábitos de raciocínio crescem sozinhos.
Fatos principais
- Só pedir a um modelo grande que escreva o raciocínio passo a passo, a chamada cadeia de pensamento (chain-of-thought), melhorou a precisão dele em problemas de matemática com enunciado. · Fonte: Wei et al., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, Google, 2022
- A OpenAI relatou que seu modelo o1 se sai melhor tanto com mais treino por reforço quanto com mais tempo pensando antes de responder. · Fonte: OpenAI, Learning to Reason with LLMs, 2024
- A DeepSeek relatou que o aprendizado por reforço com recompensas simples, baseadas em regras, por respostas corretas levou seu modelo R1-Zero a desenvolver raciocínios longos e autoconferência sem exemplos de raciocínio escritos por pessoas. · Fonte: DeepSeek-AI, DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning, 2025
- Tarefas com resposta verificável, como resultados de matemática ou código que precisa passar em testes, combinam com esse treino porque a recompensa pode ser calculada automaticamente, sem avaliador humano.
Atualizado:
Perguntas frequentes
O que é um modelo de raciocínio?
Um modelo de raciocínio é um modelo de linguagem treinado para resolver um problema numa cadeia de passos antes de responder. Em geral, ele é treinado com aprendizado por reforço em problemas cujas respostas podem ser conferidas.
O que é cadeia de pensamento (chain of thought)?
Cadeia de pensamento é o raciocínio passo a passo que o modelo escreve a caminho da resposta, como mostrar a conta na prova de matemática. Ela costuma deixar mais precisas as respostas a problemas de várias etapas.
Por que os modelos de raciocínio demoram mais para responder?
Eles escrevem muitos passos de raciocínio antes da resposta final, e problemas mais difíceis ganham mais passos. Cada passo custa tempo e poder de computação, mas tende a aumentar a precisão.
Modelos de raciocínio ainda erram?
Sim. Eles cometem menos deslizes em problemas verificáveis, mas ainda podem raciocinar a partir de um fato errado ou produzir uma cadeia convincente e falha. Confira as respostas importantes.
Termos relacionados