Os modelos de inteligência artificial mais recentes têm dado menos ênfase apenas ao tamanho da rede neural e mais atenção a técnicas que permitem ao modelo 'pensar' em etapas antes de entregar uma resposta final.
Essa abordagem, chamada informalmente de raciocínio em cadeia, faz com que o modelo gere passos intermediários de análise, de forma parecida com um rascunho mental, antes de chegar à resposta que o usuário efetivamente vê na tela.
Na prática, isso significa que o modelo pode revisar sua própria lógica durante o processo, identificando e corrigindo erros de raciocínio antes de apresentar a resposta final, algo que modelos anteriores simplesmente não faziam, respondendo de forma direta mesmo quando o caminho lógico estava errado.
Os resultados são mais evidentes em tarefas que exigem lógica, matemática ou múltiplas etapas de análise, áreas em que modelos anteriores tendiam a errar justamente por responder de forma direta demais, sem uma etapa de verificação interna do próprio raciocínio.
Pesquisadores notaram que esse tipo de modelo também se sai melhor em tarefas de programação complexas, onde conseguir quebrar um problema grande em subtarefas menores antes de escrever o código final reduz significativamente a taxa de erros no resultado.
O custo computacional desse tipo de raciocínio é maior, já que o modelo processa muito mais texto internamente antes de gerar a resposta final, o que se reflete em tempo de resposta mais longo e custo por consulta mais alto para quem usa esses modelos via API.
Algumas empresas já oferecem a opção de escolher entre um modo de resposta rápida, para perguntas simples, e um modo de raciocínio profundo, reservado para problemas mais complexos onde vale a pena esperar mais tempo por uma resposta mais confiável.
Para o usuário final, a promessa é de respostas mais confiáveis em tarefas complexas, ainda que erros continuem acontecendo, especialmente quando o problema exige conhecimento muito específico ou dados atualizados que o modelo não possui em sua base de treinamento.