¿Has estado utilizando los Reasoning Models correctamente?

OpenAI ha publicado una nueva documentación llamada Reasoning Best Practices, que proporciona orientación sobre cómo utilizar eficazmente los reasoning models, no solo los de OpenAI, sino también otros como Gemini y DeepSeek. La documentación describe las diferencias clave entre los modelos de IA estándar y los reasoning models, y proporciona información sobre cómo incitarlos eficazmente para obtener los mejores resultados.

Introducción a los Reasoning Models

Introducción al uso correcto de los reasoning models, como se explica en el video El primer consejo de OpenAI es mantener el prompt simple y directo. Sin relleno adicional, sin palabras innecesarias, solo instrucciones claras y directas. Esto puede parecer obvio, pero muchas personas todavía complican demasiado las cosas.

Simplificando Prompts para Reasoning Models

La importancia de simplificar los prompts para obtener mejores resultados de los reasoning models A continuación, OpenAI desaconseja añadir prompts de "Chain of Thought" al utilizar estos reasoning models. Esto se refiere a pedirle a los modelos que piensen paso a paso o que expliquen su razonamiento, ya que como ya son reasoning models, no es necesario hacerlo.

Evitando Prompts de "Chain of Thought"

Por qué los prompts de "Chain of Thought" son innecesarios para los reasoning models Otro consejo importante para estos reasoning models es el uso de delimitadores, que son esencialmente separadores para tu texto. Estos pueden incluir markdown, etiquetas XML o incluso títulos de sección. Se muestra un ejemplo de esto, donde podrías proporcionar tu contexto en la parte superior, seguido de cualquier ejemplo y, a continuación, tus instrucciones.

Usando Delimitadores para Mejores Resultados

Cómo el uso de delimitadores puede ayudar a los reasoning models a procesar la información de manera más eficaz A continuación, tenemos un consejo interesante: prueba primero zero-shot, luego few-shot si es necesario. Esto significa que con estos reasoning models, primero debes intentar sin proporcionar un ejemplo, dadas sus capacidades, generalmente son buenos para predecir qué tipo de texto necesitas.

Zero-Shot vs. Few-Shot Prompting

Entender cuándo usar zero-shot y few-shot prompting con reasoning models Los siguientes dos puntos enfatizan ser específico, especialmente al imponer condiciones. Por ejemplo, si estás estableciendo un presupuesto como $500, sé claro sobre las condiciones al pedir una solución bajo tales condiciones. También es importante especificar el objetivo de tu prompt.

Siendo Específico con Condiciones y Objetivos

La importancia de ser específico con las condiciones y los objetivos al incitar a los reasoning models Antes de pasar al último punto, revisemos el primero, que mencionaba que los mensajes del desarrollador están reemplazando a los mensajes del sistema. Estos mensajes son simplemente una forma de guiar al modelo. Hay system prompts que han sido cambiados con las solicitudes de API.

Revisando los Mensajes del Desarrollador

Entender el papel de los mensajes del desarrollador en la guía de los reasoning models Ahora, antes de que pasemos al resto de la documentación que publicó OpenAI, déjame mostrarte un ejemplo de prompt que funciona muy bien con el reasoning model. El crédito es para Alvaro Cintas, a quien encontré en x.com. Aquí, puedes ver que hemos estructurado el prompt en diferentes secciones: contexto, ejemplo e instrucción.

Ejemplo de Prompt para Reasoning Models

Un ejemplo de un prompt bien estructurado para reasoning models OpenAI también ha proporcionado un ejemplo de servicio al cliente para aclarar aún más la diferencia entre sus reasoning models y los modelos GPT que no son de razonamiento. Los reasoning models han sido denominados "planificadores", mientras que los modelos que no son de razonamiento se llaman "caballos de batalla" debido a su menor latencia y mayor eficiencia.

Reasoning vs. Non-Reasoning Models

Entender la diferencia entre los reasoning models y los modelos que no son de razonamiento Han destacado cuándo usar realmente reasoning models. Primero, hablan sobre la navegación de tareas ambiguas. Esto básicamente significa que siempre que el significado de tu prompt no esté claro, en lugar de hacer suposiciones, estos reasoning models realmente piden una aclaración, asegurándose de que entienden tu intención antes de continuar.

Navegando Tareas Ambigüas

Cómo los reasoning models navegan por tareas ambiguas A continuación, tenemos la planificación agentic de varios pasos, lo que significa que gracias a su razonamiento paso a paso, estos modelos pueden diseñar un plan completo de principio a fin. Es por eso que se les conoce como "planificadores". A medida que un agente actúa, puede delegar diferentes tareas a varias LLM, asignándolas según el nivel de poder computacional que requieran.

Planificación Agentic de Varios Pasos

Entender la planificación agentic de varios pasos con reasoning models Uno de los casos de uso más fascinantes para estos modelos es el razonamiento visual. Dado que 01 combina capacidades de visión y razonamiento, puede comprender dibujos arquitectónicos muy detallados. OpenAI incluso mencionó que fue capaz de generar una lista completa de materiales con solo analizar un plano arquitectónico complejo.

Capacidades de Razonamiento Visual

Las capacidades de razonamiento visual de los reasoning models Cuando se trata de código, podrías pensar que estos reasoning models son más lentos o menos eficientes. Sin embargo, mientras que los modelos que no son de razonamiento, especialmente los modelos GPT, podrían tener problemas con la codificación, Claude es mucho mejor en eso. Pero con los reasoning models, la ventaja clave es que cometen muchos menos errores. Eso significa que no tienes que perder el tiempo corrigiendo constantemente pequeños errores como lo harías con los modelos que no son de razonamiento.

Codificando con Reasoning Models

Las ventajas de usar reasoning models para codificar

Conclusión

En conclusión, la guía Reasoning Best Practices de OpenAI proporciona información valiosa sobre cómo utilizar eficazmente los reasoning models para obtener resultados óptimos. Siguiendo estas técnicas de prompting, puedes obtener mejores resultados de los reasoning models. Recuerda simplificar tus prompts, evitar "Chain