Reasoning Model

Reasoning Model คือ llm ที่ถูกฝึกมาให้ "หยุดคิดก่อนตอบ" : แทนที่จะพ่นคำตอบออกมาทันทีแบบโมเดลทั่วไป มันจะสร้างขั้นตอนการคิดภายในขึ้นมาก่อน (นึกภาพนักเรียนที่ทดเลขในกระดาษทดก่อนเขียนคำตอบลงข้อสอบ) ไล่ตรวจเหตุผลทีละขั้น แล้วค่อยเรียบเรียงเป็นคำตอบสุดท้าย แนวคิดนี้ต่อยอดมาจากเทคนิค chain-of-thought ที่งานวิจัยปี 2022 พบว่า ถ้าให้โมเดลเขียนเหตุผลทีละขั้น มันจะตอบโจทย์ซับซ้อนได้แม่นขึ้นมาก : reasoning model เอาความสามารถนี้ฝังเข้าไปในตัว model เลย ผ่านการฝึกแบบ reinforcement-learning ขนาดใหญ่ที่ให้รางวัลกับการคิดที่พาไปถึงคำตอบที่ถูก ซึ่งทำได้สองแนว : outcome reward ที่ดูว่าคำตอบสุดท้ายถูกไหม กับ process reward ที่ให้คะแนนเหตุผลเป็นรายขั้น · ไม่ใช่ทุกตัวจะใช้แบบให้คะแนนรายขั้น เช่น R1 ของ deepseek ระบุในเปเปอร์ว่าจงใจไม่ใช้ neural reward model ทั้งแบบ outcome และ process แต่ใช้กติกาตายตัวตรวจว่าคำตอบสุดท้ายถูกและฟอร์แมตถูก เพราะกลัวโมเดลหาช่องโกงรางวัล (reward hacking)

จุดเปลี่ยนสำคัญคือแนวคิด test-time compute : ยิ่งให้เวลาคิดตอน inference มากขึ้น คุณภาพคำตอบมีแนวโน้มดีขึ้น ซึ่งเป็นคนละแกนกับวิธีเดิมที่ต้องขยายขนาดโมเดลหรือเพิ่มข้อมูลฝึก ผลลัพธ์เห็นชัดในโจทย์ยาก เช่น ข้อสอบคณิตศาสตร์ AIME ที่โมเดลธรรมดาทำได้ต่ำกว่า 30% แต่ reasoning model ทำได้ 50-80% แต่มันไม่ได้ดีขึ้นแบบไม่มีเพดาน : ผลตอบแทนลดลงเมื่อคิดยาวขึ้นเรื่อยๆ และงานวิจัย Inverse Scaling in Test-Time Compute (2025) พบงานบางประเภทที่ยิ่งบังคับให้คิดยาว ยิ่งตอบแย่ลง ทั้งฝั่ง Claude และ o-series คลื่นลูกนี้เริ่มจาก o1-preview ของ openai (กันยายน 2024) ตามด้วย R1 ของ deepseek (มกราคม 2025) ที่ทำผลงานใกล้เคียง o1 ด้วยต้นทุนต่ำกว่า ส่วนฝั่ง Claude ของ anthropic มาในรูปฟีเจอร์ thinking : รุ่นก่อนหน้าใช้โหมดกำหนดงบ token สำหรับการคิดเอง (budget_tokens) ส่วนรุ่นใหม่ย้ายไปเป็น adaptive thinking คือโมเดลตัดสินใจเองว่าจะคิดไหมและคิดลึกแค่ไหน และถ้าตั้งระดับ effort ไว้ต่ำ มันข้ามการคิดในโจทย์ง่ายไปเลยได้

คนทำงานยุค AI ต้องรู้เรื่องนี้เพราะโหมดคิดไม่ฟรี : ขั้นตอนการคิดกินโทเค็นเพิ่มและถูกคิดเงินเป็น output-tokens ด้วย งานวิจัยพบว่าบนโจทย์ AIME reasoning model มีต้นทุนสูงกว่าโมเดลธรรมดา 10-74 เท่า แถมตอบช้ากว่าเพราะต้องนั่งคิดก่อน ทักษะที่สำคัญจึงไม่ใช่ "ใช้ตัวเก่งสุดตลอดเวลา" แต่คือเลือกเครื่องมือให้ตรงงาน : งานวิเคราะห์หลายชั้น คณิตศาสตร์ หรือโค้ดยากๆ คุ้มที่จะจ่ายให้มันคิด ส่วนงานทั่วไปอย่างสรุปอีเมลหรือแปลข้อความ โมเดลปกติเร็วกว่าและถูกกว่ามาก

ตัวอย่างจากบทสนทนาจริง

พนักงานการตลาด: "พี่คะ เปิดโหมด thinking แล้วมันขึ้นว่ากำลังคิดอยู่เกือบนาที สรุปว่าเน็ตค้างหรือรุ่นนี้มันช้ากว่ารุ่นเดิมกันแน่คะ"

หัวหน้าทีม: "ไม่ค้างครับ นั่นแหละคือ reasoning model กำลังไล่เหตุผลทีละขั้นก่อนตอบ ยิ่งโจทย์ยากยิ่งคุ้ม เช่น ให้วิเคราะห์แผนงบทั้งปี แต่ถ้าแค่ให้เกลาอีเมลลูกค้า ปิดโหมดคิดแล้วใช้โมเดลปกติดีกว่า ได้คำตอบไวกว่าและประหยัดกว่าเยอะ"

ระวังสับสนกับ

• chain-of-thought : เป็นเทคนิคการเขียน prompt สั่งให้โมเดลธรรมดาแสดงเหตุผลทีละขั้น ส่วน reasoning model ถูกฝึกมาให้คิดแบบนั้นเองอัตโนมัติโดยไม่ต้องสั่งในทุกครั้ง
• agent : agent คือระบบที่ลงมือทำงานหลายขั้นตอนผ่านเครื่องมือ เช่น เปิดไฟล์ ค้นเว็บ รันโค้ด ส่วน reasoning model คือตัวโมเดลที่ใช้เวลาคิดนานขึ้นก่อนตอบ · ในทางปฏิบัติ agent ที่เก่งมักใช้ reasoning model เป็นสมองข้างใน แต่สองคำนี้ไม่ใช่สิ่งเดียวกัน