Alguns modelos pensam em voz alta antes de responder. Eles resolvem problemas passo a passo e então dão a resposta final. Isso os torna mais fortes em matemática, código e tarefas intensivas em lógica.
Veja a lista completa de modelos, preços e limites de contexto na página de modelos. Nem todos os modelos de raciocínio suportam o parâmetro reasoning_effort. Veja suporte por modelo para detalhes.
Lendo a saída
Modelos de raciocínio retornam seu pensamento em um campo separado reasoning_content, mantendo content limpo:
response = client.chat.completions.create(
model="zai-org-glm-5-1",
messages=[{"role": "user", "content": "What is 15% of 240?"}]
)
thinking = response.choices[0].message.reasoning_content
answer = response.choices[0].message.content
Alguns provedores (Anthropic, Google, OpenAI, Qwen) retornam tokens de raciocínio criptografados ou resumidos. Quando isso acontece, reasoning_content contém um placeholder "[Some reasoning content is encrypted]".
Streaming
Ao fazer streaming, reasoning_content chega no delta antes da resposta final:
stream = client.chat.completions.create(
model="zai-org-glm-5-1",
messages=[{"role": "user", "content": "Explain photosynthesis"}],
stream=True
)
for chunk in stream:
if chunk.choices:
delta = chunk.choices[0].delta
if delta.reasoning_content:
print(delta.reasoning_content, end="")
if delta.content:
print(delta.content, end="")
Esforço de raciocínio
O parâmetro reasoning_effort controla quanto pensamento um modelo faz antes de responder. Maior esforço significa raciocínio mais profundo, mas mais tokens e latência.
Valores aceitos
| Valor | Descrição |
|---|
none | Desabilita o raciocínio por completo |
minimal | Raciocínio básico com esforço mínimo |
low | Raciocínio leve para problemas simples |
medium | Raciocínio balanceado para complexidade moderada |
high | Raciocínio profundo para problemas complexos |
xhigh | Profundidade de raciocínio extra alta |
max | Capacidade máxima de raciocínio |
Nem todos os modelos suportam todos os valores. A Venice não mapeia automaticamente para o nível compatível mais próximo. Valores não suportados retornam um erro 400 do provedor upstream. Por exemplo, enviar xhigh para o Claude ou max para o GPT-5.2 falhará.Em caso de dúvida, use low, medium ou high. Esses são os valores mais amplamente suportados.
Suporte por modelo
OpenAI
| Modelo | Valores suportados |
|---|
| GPT-5.2 | none, low, medium, high, xhigh |
| GPT-5.2 Codex, GPT-5.3 Codex | low, medium, high, xhigh |
Anthropic
| Modelo | Valores suportados |
|---|
| Claude Opus 4.6, Opus 4.6 Fast | low, medium, high, max |
| Claude Opus 4.5, Sonnet 4.5, Sonnet 4.6 | low, medium, high |
Google
| Modelo | Valores suportados |
|---|
| Gemini 3 Pro Preview | low, high |
| Gemini 3.1 Pro Preview | low, medium, high |
| Gemini 3 Flash Preview | minimal, low, medium, high |
xAI
Modelos Grok (Grok 4.1 Fast, Grok Code Fast) não suportam reasoning_effort. Especificá-lo resultará em erro.
Outros modelos
| Modelo | Valores suportados |
|---|
| Qwen 3 235B A22B Thinking, Qwen 3.5 35B A3B | low, medium, high |
| Kimi K2.5 | low, medium, high |
| MiniMax M2.5, M2.1 | low, medium, high |
| Família GLM 5.1 | Raciocínio integrado apenas, não configurável |
| DeepSeek R1 | Raciocínio integrado apenas, não configurável |
Uso
Passe reasoning_effort como parâmetro de nível superior ou use o formato aninhado reasoning.effort:
response = client.chat.completions.create(
model="minimax-m25",
messages=[{"role": "user", "content": "Prove that there are infinitely many primes"}],
extra_body={"reasoning": {"effort": "high"}}
)
"reasoning_effort": "high" também é aceito.
Desabilitando o raciocínio
Há duas formas de desabilitar o raciocínio:
| Método | Sintaxe | Como funciona |
|---|
reasoning.enabled: false | "reasoning": {"enabled": false} | Toggle no nível da Venice que impede o envio de parâmetros de raciocínio ao provedor. Recomendado. |
reasoning.effort: "none" | "reasoning": {"effort": "none"} | Passado ao provedor, que decide como lidar. Suportado apenas por alguns modelos (por exemplo, GPT-5.x). |
reasoning.enabled: false é a opção mais confiável:
| Modelo | Pode desabilitar? |
|---|
| GPT-5.2 | Sim |
| GPT-5.2 Codex, GPT-5.3 Codex | Sim (mas effort none não é suportado) |
| Qwen 3 235B A22B Thinking, Qwen 3.5 35B A3B | Sim |
| Família GLM 5.1 | Sim |
| Claude Opus 4.5/4.6/4.6 Fast, Sonnet 4.5/4.6 | Não (sempre raciocina) |
| Gemini 3 Pro, 3.1 Pro, 3 Flash | Não (sempre raciocina) |
| DeepSeek R1 | Não (sempre raciocina) |
response = client.chat.completions.create(
model="openai-gpt-52",
messages=[{"role": "user", "content": "What's the capital of France?"}],
extra_body={"reasoning": {"enabled": False}}
)
Limites de tokens
Modelos de raciocínio geram tokens de resposta visível (em content) e tokens de raciocínio (em reasoning_content). Ambos contam para seu orçamento de tokens.
Definindo um limite de tokens
Use max_completion_tokens para limitar o número total de tokens que o modelo gera, incluindo o raciocínio:
{
"model": "deepseek-v4-flash",
"messages": [...],
"max_completion_tokens": 500
}
max_tokens também é aceito e se comporta da mesma forma. Se ambos forem definidos, max_completion_tokens tem precedência.
Para obter mais saída visível, aumente o limite, reduza reasoning_effort ou desabilite o raciocínio.
Lendo o detalhamento
O objeto usage mostra como seu orçamento foi gasto:
"usage": {
"completion_tokens": 501,
"completion_tokens_details": { "reasoning_tokens": 169 },
"prompt_tokens": 13,
"total_tokens": 514
}
finish_reason é length.
O limite superior de cada modelo está disponível como maxCompletionTokens no endpoint /v1/models.
Modelos sem raciocínio
max_tokens e max_completion_tokens se comportam da mesma forma em modelos sem raciocínio, limitando diretamente a saída visível.
Descoberta de capacidades
Verifique o que um modelo suporta pelo endpoint /v1/models:
| Campo | Significado |
|---|
supportsReasoning | O modelo tem capacidade de raciocínio (chain-of-thought) |
supportsReasoningEffort | O modelo aceita o parâmetro reasoning_effort / reasoning.effort |
Melhores práticas
- Use
medium como padrão para uso geral
- Use
high ou xhigh para tarefas complexas (matemática, código, análise)
- Use
low para aplicações sensíveis à latência
- Use
reasoning.enabled: false ou defina effort como none para desabilitar o raciocínio
- Em caso de dúvida, use
low, medium ou high. Esses são os valores mais amplamente suportados.
