Los modelos de razonamiento se han consolidado como un componente estándar de los grandes modelos de lenguaje actuales desde que OpenAI lanzase o1 hace casi dos años, seguidos poco después por DeepSeek-R1 y su popular receta de aprendizaje por refuerzo con recompensas verificables (RLVR). El artículo explica cómo pasar de entrenar un modelo convencional para que razone a construir uno capaz de operar en varios niveles de esfuerzo, al estilo de la familia GPT-5.6, publicada la semana pasada con tres tamaños y entre cinco y seis ajustes de esfuerzo por variante.
El texto parte de una definición operativa: un modelo de razonamiento no razona como un humano, sino que genera una traza intermedia que descompone el problema paso a paso. Después repasa las dos palancas para mejorar el rendimiento: el escalado en entrenamiento, donde DeepSeek-R1 demostró que basta con RLVR puro para que el modelo aprenda a explicarse, rectificarse y generar los llamados momentos "ajá"; y el escalado en inferencia, que ajusta el gasto de cómputo al responder mediante técnicas como el voto por mayoría o el control de la longitud de la salida.
En la práctica, la mayoría de los LLM actuales son ya modelos de razonamiento entrenados con alguna variante de RLVR, y el siguiente reto es permitir al usuario elegir cuánto esfuerzo dedicar a cada consulta. El artículo desgrana además los tokens y , marcas puramente cosméticas que delimitan la traza de razonamiento, y adelanta cómo los niveles de esfuerzo de razonamiento modulan ese presupuesto de cómputo en inferencia.