Reasoning Model

Wat is een Reasoning Model?

Een reasoning model is een large language model getraind om stap voor stap door een probleem te werken voordat het zich vastlegt op een antwoord, en besteedt extra inferentie-rekenkracht aan interne overweging. Die denkfase, vaak verborgen of samengevat, verhoogt nauwkeurigheid op wiskunde, code, en meerstaps-planningstaken tegen de kost van hogere latentie en tokenuitgave. De winst is meetbaar: DeepSeek-R1 scoorde 79,8% pass@1 op de AIME 2024-wiskundewedstrijd, licht voor op OpenAI's o1-1217 [1].

De belangrijkste punten

• Reasoning models ruilen snelheid en kosten in voor nauwkeurigheid. Dezelfde vraag kan meerdere keren duurder zijn en merkbaar langer duren dan op een standaardmodel.
• Het denken gebeurt als gegenereerde tokens, dus betaal je voor reasoning-output zelfs wanneer de aanbieder hem verbergt of samenvat.
• De meeste aanbieders laten je een denkbudget of effort-niveau instellen, wat de belangrijkste hendel is voor het balanceren van kwaliteit tegen latentie in productie.
• Voor agentwerk schitteren reasoning models bij plannen en debuggen, terwijl routinematige bewerkingen en tool-aanroepen meestal beter bediend worden door een sneller non-reasoning-model.

Hoe het werkt

Een standaard large language model produceert zijn antwoord direct, één token tegelijk, zonder aparte overwegingsfase. Een reasoning model is getraind, typisch met reinforcement learning op problemen met verifieerbare antwoorden, om eerst een lange keten tussenstappen af te geven: het probleem herformuleren, een aanpak proberen, het controleren, terugkrabbelen wanneer iets faalt. Pas na die interne doorgang schrijft het het eindantwoord. De techniek groeide uit chain-of-thought-prompting, maar in plaats van het model te vragen stap voor stap te denken, is het gedrag in training gebakken en gebeurt het of je het vraagt of niet. Het trainingssignaal is sterk genoeg op zichzelf dat reinforcement learning de AIME 2024-score van DeepSeek-R1-Zero tilde van een initiële 15,6% naar 71,0% pass@1, met 86,7% bij meerderheidsstemming [2].

Vanuit het perspectief van een engineer zijn de praktische verschillen kosten en latentie. Denktokens worden gefactureerd als outputtokens, en een moeilijk probleem kan er duizenden verbranden voordat het eerste zichtbare woord verschijnt. API's stellen controles hiervoor bloot, meestal een maximaal denkbudget of een grove effort-instelling, en agentframeworks routeren steeds meer taken op moeilijkheid: een reasoning model plant de migratie, een goedkoper model voert de individuele bestandsbewerkingen uit. Reasoning-output bezet ook het contextvenster, wat ertoe doet in lange agentsessies waar elke beurt geschiedenis toevoegt.

Voorbeeld

Een team draait een AI-coding-agent tegen een flaky integratietest die drie engineers niet konden diagnosticeren. Op een snel non-reasoning-model patcht de agent de assertion, de test wordt groen, en de onderliggende race condition overleeft. Opnieuw gedraaid met een reasoning model op hoge effort, besteedt de agent ongeveer negentig seconden aan denken, traceert de mislukking naar twee workers die een temp-directory delen, en stelt voor de fixture per worker te isoleren. De run kost ongeveer tien keer meer in tokens, en het is de eerste fix die daadwerkelijk standhoudt. Het team houdt het reasoning model voor diagnose- en planningsstappen en routeert mechanische bewerkingen naar het goedkope model.

Veelvoorkomende misvattingen

De veelgemaakte fout is redenering behandelen als universele upgrade en het sterkste reasoning model op alles richten. Voor extractie, samenvatting, formattering, en simpele tool-aanroepen voegt het extra overwegen latentie en kosten toe zonder resultaten te verbeteren, en lang denken kan een model zelfs een triviale taak laten overcompliceren. Reasoning models verdienen hun prijs op problemen met echte structuur: meerstaps-logica, onbekende bugs, architecturale afwegingen. Route op taakmoeilijkheid in plaats van standaard maximale hersenkracht te gebruiken.

Test-time compute

Test-time compute is het algemene idee dat een model slimmer kan worden op inferentiemoment door meer rekenkracht aan een query te besteden, in plaats van alleen door langer getraind of groter gemaakt te worden. Reasoning models zijn de mainstream-implementatie: hun denktokens zijn test-time compute in actie. Andere vormen omvatten meerdere kandidaatantwoorden samplen en het beste kiezen, of het model zijn eigen concept laten bekritiseren en herzien. Het engineeringgevolg is dat intelligentie een runtime-knop werd. Je kunt meer per verzoek betalen voor betere antwoorden op aanvraag, wat modelkwaliteit verandert in een kostenoptimalisatieprobleem per taak in plaats van één inkoopbeslissing.

FAQ

Wat is een reasoning model versus een gewone LLM? Beide zijn large language models. Een reasoning model heeft een extra getraind gedrag: het genereert een interne keten stappen voordat het antwoordt, wat betrouwbaarheid op moeilijke problemen verbetert. Een gewoon model antwoordt direct, sneller en goedkoper, wat prima is voor de meeste alledaagse taken.

Hallucineren reasoning models minder? Ze maken minder fouten op problemen die ze intern kunnen controleren, zoals wiskunde en code, want ze kunnen hun eigen fouten midden in de gedachte vangen. Ze hallucineren nog steeds feiten. Een zelfverzekerd, goed geredeneerd argument gebouwd op een verzonnen premisse is een heel reëel faalpatroon.

Wanneer moet een agent een reasoning model gebruiken? Plannen, debuggen, lastige diffs reviewen, en alles waar een fout antwoord duur is om terug te draaien. Sla het over voor routinematige bewerkingen, retrieval, en formattering, waar een standaardmodel sneller is en even nauwkeurig.

Bronnen

1. DeepSeek. "DeepSeek-R1: 79,8% pass@1 op AIME 2024, licht boven OpenAI o1-1217." https://arxiv.org/abs/2501.12948. Geraadpleegd augustus 2026.
2. DeepSeek. "DeepSeek-R1: reinforcement learning tilde de AIME 2024-score van R1-Zero van 15,6% naar 71,0% pass@1, 86,7% met meerderheidsstemming." https://arxiv.org/abs/2501.12948. Geraadpleegd augustus 2026.