Reasoning-модели: год хайпа прошёл — что сбылось, а что нет

Полтора года назад OpenAI выпустила o1 и объявила, что теперь их модели «думают перед ответом». В профессиональных чатах случилось смятение: одни писали, что AGI уже за углом, другие — что это маркетинг, третьи просто начали платить вдвое больше и ждали чуда. Я с самого начала был в лагере скептиков. Не потому что технология не работает — а потому что никакая технология не работает так, как её рекламируют в первые полгода.

Сейчас май 2026-го. Есть смысл оглянуться. Что случилось с «думающими» моделями? Почему они не стали новым стандартом? И что стоит знать тому, кто платит за подписку и хочет понять, когда это реально оправдано?

Что такое reasoning-модели и зачем они вообще нужны

Если вы отлично знаете, что такое chain-of-thought — пропустите этот раздел. Для остальных: классические LLM выдают ответ, в грубом приближении, «с первой попытки». Reasoning-модели перед финальным ответом генерируют внутреннюю цепочку рассуждений. Этот «внутренний монолог» помогает избежать быстрых неправильных выводов.

OpenAI реализовала это в ChatGPT через серию o-моделей: o1, o1-mini, o3, o3-mini. Claude у Anthropic получил extended thinking начиная с версии 3.7. DeepSeek выпустил R1 — открытую модель с аналогичным механизмом, которая произвела переполох в начале 2025-го. Gemini от Google добавил режим Deep Think. Даже Mistral выкатил своё. Все отметились.

Идея красивая. Реализация — как обычно, с нюансами.

Что reasoning-модели реально делают лучше

Математика и алгоритмы — честная победа. На задачах уровня олимпиадной математики разрыв между o3 и обычным GPT-4o — не проценты, а порядок величин. Там, где обычная модель попадает с точностью 40%, o3 достигает 85%. Это измеримо и воспроизводимо, а не маркетинговая цифра из пресс-релиза.

Многоходовые логические задачи — аналогично. Анализ юридического договора с десятком взаимозависимых условий. Налоговый расчёт с несколькими ветками if-then. Дебаг кода, где ошибка на первом шаге разрушает всё дальнейшее. Там reasoning-режим снижает вероятность «красиво выглядящей ерунды».

Написание сложного кода — тоже. Не Hello World, а алгоритм, требующий правильно выбранной структуры данных и нескольких шагов оптимизации. ChatGPT o3 на задачах LeetCode Hard решает примерно вдвое чаще, чем GPT-4o. Объяснение логики при этом более последовательное — что полезно при ревью.

DeepSeek R1 здесь стоит отдельного упоминания. Открытая модель, которую можно развернуть самостоятельно, на математических и кодовых задачах не уступает проприетарным аналогам. Это неудобный факт для компаний, которые берут за то же самое в три раза дороже.

Отдельная категория — научные и исследовательские задачи. Если нужно разобрать методологию статьи, найти противоречия в аргументации, проверить логику доказательства — reasoning-режим здесь значительно полезнее обычной модели. Не потому что он знает больше фактов, а потому что лучше удерживает цепочку умозаключений на протяжении длинного текста. Для студентов и исследователей это, пожалуй, самый недооценённый сценарий.

Четыре вещи, о которых предпочли умолчать

Скорость. Это главный убийца пользовательского опыта. На сложной задаче reasoning-модель может думать минуту, а то и две. Минуту! В мире, где обычный ответ занимает три секунды, это психологически невыносимо. Я провёл простой эксперимент: попросил двадцать человек попробовать extended thinking в Claude. Половина не дождалась ответа и вернулась обратно в обычный режим. Не потому что результат плохой — просто ждать неохота.

Цена. O3 через API в разы дороже GPT-4o. Для единичного запроса — незаметно. Для продакшн-системы со ста тысячами запросов в день — юнит-экономика превращается в кошмар финансового директора. Большинство компаний, которые воодушевлённо тестировали reasoning-модели в конце 2024-го, к середине 2025-го тихо вернулись к более экономичным вариантам. Не потому что технология плохая — задачи, где она реально нужна, составляют меньше десяти процентов от общего объёма.

Галлюцинации никуда не делись. Это больной момент, который как-то выпал из маркетинговых нарративов. Reasoning-модели лучше только там, где есть проверяемый правильный ответ: математика, код, логика. На открытых задачах — написать аналитику, процитировать источник, объяснить историческое событие — они так же уверенно генерируют несуществующие ссылки и неверные факты. Просто теперь к ответу прилагается пятистраничная «цепочка рассуждений», которая тоже может оказаться неверной. Убедительно оформленная, но неверная.

Эффект ложной надёжности — пожалуй, самое опасное из четырёх. Модель, которая «думала», производит впечатление большей точности. Люди меньше проверяют. Видят пять абзацев внутренних рассуждений и думают: «Ну, она же так старалась». А потом обнаруживают ошибку в расчёте. Чем убедительнее выглядит процесс — тем меньше проверяют результат. Это прямо противоположно тому, что нужно.

Что произошло на рынке

Ожидалось, что reasoning-модели станут новым минимальным стандартом и быстрые дешёвые модели постепенно отомрут. Этого не произошло. Наоборот.

Рынок расслоился в двух направлениях одновременно. Снизу — появились ещё более быстрые и дешёвые модели: GPT-4o mini, Claude Haiku, Gemini Flash. Они закрывают 90% рутинных задач. Сверху — reasoning-режимы для редких сложных случаев. Большинство пользователей с подпиской на ChatGPT или Claude Pro получают оба режима на одном тарифе. Это разумная сегментация, но никак не смена парадигмы.

Появились маршрутизаторы — системы, которые сами определяют, нужен ли reasoning для конкретного запроса. ChatGPT уже делает это автоматически в части сценариев. Правильное направление: не заставлять пользователя угадывать, а выбирать за него. Когда это заработает хорошо, пользователи вообще перестанут думать о типе модели.

Perplexity и похожие поисковые сервисы нашли, пожалуй, самое органичное применение reasoning: глубокий поиск с многошаговым синтезом информации из множества источников. Там медленный ответ оправдан — пользователь и так ожидает, что задача займёт время.

DeepSeek R1 продемонстрировал, что reasoning — воспроизводимая инженерная задача, а не эксклюзивный секрет трёх американских лабораторий. Llama 4 и другие открытые модели движутся в ту же сторону. Это хорошо для всех — кроме компаний, которые берут премиум за закрытость.

Когда что использовать: шпаргалка без воды

Прогноз на следующие шесть месяцев

Скорость вырастет. Это очевидно и неизбежно — оптимизации inference идут непрерывно. К концу 2026-го reasoning-режим будет работать заметно быстрее. Это снимет главный психологический барьер и расширит аудиторию.

Цены упадут. DeepSeek, Llama и другие открытые проекты создают реальное ценовое давление. OpenAI и Anthropic не смогут держать текущую маржу на reasoning-API. Ожидаю снижения минимум вдвое к декабрю 2026-го.

Автоматический выбор режима станет стандартом везде. Пользователи перестанут выбирать вручную — система сама решит, нужна ли глубокая обработка для конкретного запроса. Это уберёт главный вопрос «а я правильно нажал кнопку?» из головы большинства пользователей.

Открытые reasoning-модели догонят платные. Через полгода DeepSeek следующего поколения и новые версии Llama на большинстве задач встанут вровень с проприетарными аналогами. Ценовое обоснование для закрытых API станет заметно тоньше.

Галлюцинации уменьшатся — но медленно. Это структурная проблема архитектуры, а не вопрос мощности вычислений. Ждать прорыва в ближайшие полгода не стоит. Постепенный прогресс — да, революция — нет.