Che cos'è un modello di ragionamento?

Addestrati per utilizzare sofisticati ragionamenti chain-of-thought e altre strategie di processo decisionale in più fasi, i modelli di ragionamento rappresentano l'avanguardia delle prestazioni degli LLM, in particolare in matematica, codifica e altri domini guidati dal ragionamento logico. Inizialmente introdotti come categoria di modelli distinta e specializzata, questi "modelli di pensiero" sono diventati progressivamente più diffusi: oggi, la maggior parte dei moderni LLM offre una "modalità di pensiero" o funzionalità di ragionamento con nomi simili.

Il concetto di "modello di ragionamento" è stato introdotto per la prima volta da o1-preview (e o1-mini) di OpenAI nel settembre 2024, seguito da "Qwen with Questions" di Alibaba (QWQ-32B-Preview) a novembre e da Gemini 2.0 Flash Experiment di Google a dicembre. Una pietra miliare nello sviluppo degli LLM ragionamento è stata la pubblicazione, nel gennaio 2025, del modello open source DeepSeek-R1 . Mentre i processi di addestramento utilizzati per mettere a punto i modelli di ragionamento precedenti erano stati segreti ben custoditi, DeepSeek ha pubblicato un documento tecnico dettagliato che ha fornito un blueprint per altri sviluppatori. IBM Granite, Anthropic e Mistral AI, tra gli altri, hanno poi rilasciato i propri LLM di ragionamento.

In parole povere, gli LLM di ragionamento sono addestrati a dedicare più tempo a "pensare" prima di rispondere. È stato dimostrato empiricamente che l'aggiunta di questo "processo di ragionamento" produce importanti progressi nelle prestazioni degli LLM su compiti di ragionamento complessi. Questo successo ha ampliato i casi d'uso e i domini del mondo reale a cui possono essere applicati i modelli AI, segnando un importante punto di svolta nello sviluppo continuo dell'AI generativa e degli agenti AI.

Vale la pena notare, tuttavia, che termini antropomorfi come il "processo di pensiero" di un modello sono più convenienti che letterali. Come tutti i modelli di machine learning, i modelli di ragionamento applicano in definitiva algoritmi sofisticati per fare previsioni (come ad esempio quale parola viene dopo) che riflettono i modelli appresi dai dati di addestramento. Gli LLM di ragionamento non hanno dimostrato coscienza o altri segni di intelligenza artificiale generale (AGI). Un articolo di ricerca ampiamente citato di Apple, presentato a NeurIPS 2025, mette in dubbio che le capacità attuali di ragionamento dei modelli possano scalare verso un ragionamento veramente "generalizzabile".

Forse è più esatto affermare che gli LLM di ragionamento sono addestrati a "mostrare il loro lavoro" generando una sequenza di token (parole) che assomiglia a un processo di pensiero umano, e che questo atto di "verbalizzazione" dei pensieri sembra sbloccare funzionalità di ragionamento latenti che gli LLM imparano implicitamente dal loro enorme corpus di dati di addestramento (che contiene esempi di individui che articolano direttamente e indirettamente i propri processi). 

L'aggiunta di un "processo di pensiero" agli output del modello riduce molti dei difetti intrinseci dell'inferenza LLM standard aiutando il modello a evitare scorciatoie cognitive dannose e a far emergere più conoscenze potenzialmente pertinenti apprese dai dati di addestramento.

Nel contesto degli LLM di ragionamento, la letteratura di ricerca sull'AI fa spesso riferimento al pensiero "System 1" e "System 2", termini coniati dall'economista comportamentale premio Nobel Daniel Kahneman nel suo fondamentale Thinking, Fast and Slow. Il pensiero System 1 è veloce, inconscio e intuitivo, si basa su euristiche e richiede poco o nessuno sforzo. Il pensiero System 2 è lento, deliberato e logico e richiede uno sforzo concertato. La ricerca ha costantemente dimostrato che gli LLM autoregressivi sono, di default, inclini al pensiero System 1.

Per alcuni compiti, il pensiero System 1 è efficace ed efficiente dal punto di vista computazionale. Ma per molti altri, il pensiero impulsivo di System 1 non è all'altezza. Ad esempio, un articolo del 2023 dei ricercatori di Meta Jason Weston e Sainbayar Sukhbaatar ha osservato come gli LLM siano facilmente influenzati dalla presenza di contesti irrilevanti o dettagli soggettivi nel prompt di input.

Gli autori hanno proposto una classe di tecniche che hanno soprannominato "System 2 Attention" (S2A), in cui il modello viene istruito a generare prima una versione riscritta del prompt di input priva di contesto irrilevante, quindi a rispondere a quel prompt riscritto. Negli esperimenti, le tecniche S2A hanno ottenuto prestazioni migliori rispetto all'inferenza standard su una varietà di compiti, aumentando la precisione e diminuendo la sicofania.

Concettualmente parlando, l'obiettivo implicito degli approcci di ragionamento potrebbe essere inteso come l'implementazione di un modello di comportamento simile al Sistema 2 che esplora, valuta e perfeziona i suoi potenziali output.

Le basi per i moderni "modelli di pensiero" sono state gettate dai primi articoli di ricerca sugli LLM: uno scritto da Google Research nel 2021 e un altro scritto da ricercatori dell'Università di Tokyo nel 2022. Entrambi hanno dimostrato che la semplice aggiunta della frase "Pensa passo dopo passo", una tecnica chiamata chain of thought prompting, migliora significativamente gli output. Un articolo del 2024 di Google DeepMind ha fatto un'affermazione ancora più ampia proponendo una nuova legge di scalabilità: aumentare il test-time compute(le risorse utilizzate per generare un output) migliora le prestazioni del modello tanto quanto aumentare il train-time compute (le risorse utilizzate per addestrare un modello). Il prompting CoT è solo una delle tante tecniche di aumento dell'inferenza (chiamata anche test-time scaling), così come lo è S2A.

I moderni LLM di ragionamento vanno oltre: invece di affidarsi al prompt engineering, utilizzano tecniche innovative di messa a punto e workflow sofisticati per aumentare intrinsecamente la quantità di calcoli che il modello utilizza al momento dell'inferenza. L'ottimizzazione di un modello di ragionamento comporta sia la sfida tecnica dello sviluppo di algoritmi e dati di addestramento, sia la sfida filosofica della progettazione di un "processo di pensiero" ideale.

Le fasi iniziali dell'addestramento degli LLM di ragionamento rispecchiano quelle degli LLM convenzionali. Come gli LLM standard, i modelli di ragionamento acquisiscono la loro struttura linguistica generale e la loro conoscenza del mondo grazie a un pre-addestramento autosupervisionato su larga scala, seguito da una certa dose di perfezionamento supervisionato (SFT) per adattarli alle attività a valle (come l'uso di chatbot conversazionali). L'innovazione centrale è l'applicazione di nuove tecniche di apprendimento per rinforzo (RL) che incentivano il modello a generare passaggi intermedi di ragionamento durante l'inferenza prima di produrre l'output.

Anni di ricerca e sperimentazione hanno prodotto una gamma in espansione esponenziale di approcci di ragionamento, ma tutti condividono l'obiettivo fondamentale di aumentare la potenza di calcolo durante i test. Oltre all'LLM di base (o basato su istruzioni) che funge da fondamento, i modelli di ragionamento si differenziano in base alle specifiche strategie di processo decisionale che sono addestrati a utilizzare e agli algoritmi specifici utilizzati per incentivare quel comportamento.

In generale, esistono due metodi principali per aumentare la potenza di calcolo utilizzata al momento dell'inferenza. L'obiettivo della messa a punto di un modello di ragionamento è addestrare uno (o entrambi) di questi approcci generali attraverso vari algoritmi di apprendimento.

• Genera output più lunghi: il modello impara a generare sequenze di output più lunghe attraverso strategie che includono una lunga chain of thought, il backtracking e la messa a punto automatica.
  
  
• Genera più output: invece di generare un singolo output in risposta a un prompt, il modello genera più iterazioni del suo output e arriva alla risposta finale attraverso un processo di ricerca, rifiuto e aggregazione dei potenziali output.  

La natura dei paradigmi di apprendimento che producono modelli di ragionamento in genere comporta l'addestramento e la valutazione di problemi le cui soluzioni sono di natura verificabile, come compiti di codifica o problemi di matematica. Le metriche di benchmark utilizzate per valutare le prestazioni del modello di ragionamento si concentrano quindi in genere su questi domini. Sono state condotte molte meno ricerche sull'impatto del ragionamento in ambiti più soggettivi, come la scrittura creativa.

Il fulcro dell'ascesa degli LLM di ragionamento è stato il progresso della messa a punto basata sull'apprendimento per rinforzo, che comprende sia l'RL basato su regole che l'RL basato sul deep learning (deep RL) in contesti LLM. Mentre l'apprendimento supervisionato e autosupervisionato richiede compiti di addestramento statici ben definiti, l'RL è adatto al tipo di compiti dinamici, aperti e complessi per i quali il ragionamento in più fasi è più utile.

L'uso dell'RL per mettere a punto gli LLM in modo da conferire qualità astratte non è esclusivo dei modelli di ragionamento. Ad esempio, la pipeline di addestramento standard per un LLM da utilizzare nelle impostazioni del chatbot è la seguente:

1. Pre-addestramento autosupervisionato, in cui il modello apprende i modelli linguistici e le conoscenze di base da applicare alle attività a valle.
   
   
2. Messa a punto supervisionata (SFT), in cui il modello apprende come formattare correttamente le risposte agli input dell'utente.
   
   
3. Messa a punto delle istruzioni, in cui il modello impara a seguire le istruzioni e a svolgere compiti specifici.
   
   
4. Apprendimento per rinforzo dal feedback umano (RLHF), in cui il modello viene ottimizzato sui dati delle preferenze umane per conferire qualità soggettive come disponibilità, inoffensività, veridicità e tono ideale.

Gli LLM di ragionamento in genere sono sottoposti alle stesse fasi di addestramento, con l'aggiunta (a un certo punto) di una fase di apprendimento per rinforzo che instilla un processo di ragionamento produttivo basato sulla CoT. Ciò si ottiene definendo gli obiettivi di questo processo di ragionamento, ovvero i comportamenti specifici del modello da "premiare", come la generazione di tracce di ragionamento CoT prima di un output finale, e quindi ottimizzando i parametri del modello in modo da massimizzare la ricompensa.

Poiché è difficile o addirittura impossibile progettare una funzione di ricompensa esplicita per un compito astratto e complesso come un processo di ragionamento che sarà efficace per tutta la risoluzione di problemi complessi, questo segnale di ricompensa proviene spesso da un modello di ricompensa separato utilizzato durante l'addestramento. Nell'RLHF, questo modello di ricompensa è esso stesso addestrato sul feedback umano e impara a prevedere un punteggio numerico di quanto un umano preferirebbe una determinata risposta.

Nel contesto dell'RL per i modelli di ragionamento, i segnali di ricompensa possono essere suddivisi in 3 ampie categorie: modelli di ricompensa dei risultati (ORM), modelli di ricompensa dei processi (PRM) e sistemi di ricompensa basati su regole.

I modelli di ricompensa dei risultati (ORM), come suggerisce il nome, verificano l'accuratezza del output del modello di ragionamento e forniscono segnali di ricompensa che vengono utilizzati per ottimizzare di conseguenza i pesi del modello. Questo è superficialmente simile al ruolo di una funzione di perdita nell'apprendimento supervisionato, sebbene i meccanismi siano spesso più complessi.

Mentre una funzione di perdita misura tipicamente la divergenza token per token tra l'output di un modello e la verità di base, un ORM efficace deve essere in grado di riconoscere una risposta corretta a un problema matematico anche quando presentato in modo molto diverso dalla risposta di verità di base disponibile, il che è spesso il caso data l'elevata variabilità degli output CoT lunghi. Allo stesso modo, la maggior parte dei problemi di codifica nel mondo reale ha diverse soluzioni: la valutazione olistica dell'output del codice richiede in genere una pipeline di dati che esegua e verifichi in modo efficiente l'efficacia dei frammenti di codice. Altre qualità di output, ad esempio se segue la formattazione o le istruzioni prescritte, possono utilizzare un LLM standard come verificatore.

Sebbene gli ORM siano una soluzione relativamente semplice ed efficiente dal punto di vista computazionale, possono potenzialmente premiare situazioni in cui passaggi di ragionamento errati portano comunque a una risposta finale corretta, con il risultato che il modello apprende processi di ragionamento non ottimali.

I modelli di ricompensa di processo (PRM) valutano e premiano (o penalizzano) ogni singola fase del ragionamento in modo isolato, anziché concentrarsi esclusivamente sull'accuratezza della risposta finale. Ciò fornisce segnali di ricompensa più dettagliati e successivi aggiustamenti del modello, producendo modelli con un processo di ragionamento più robusto e interpretabile.

I PRM, tuttavia, sono più costosi e richiedono più tempo per addestrare e implementare. Approcci influenti ai PRM, come il set di dati PRM800K di OpenAI, si basavano quasi interamente su una faticosa etichettatura dei dati da parte di annotatori umani. Molti approcci successivi, come l'influente Math-Shepherd, hanno automatizzato questo processo inferendo la validità di un passaggio di ragionamento in base a quanto spesso si traduce in una risposta corretta.

Per evitare i costi e le complicazioni dei modelli di ricompensa, alcuni approcci di ottimizzazione basati su RL progettano le attività di addestramento in modo da semplificare l'atto di valutazione degli output del modello.

Ad esempio, le tecniche DeepSeek-R1 e R1-Zero prompt i modelli a formattare le risposte finali in una casella separata, permettendo di verificare l'accuratezza senza un modello di ricompensa specializzato che debba analizzare l'intera risposta. Altri sistemi di ricompensa basati su regole incentivano micro-azioni specifiche, come aggiungere periodicamente "aspetta" nella risposta del modello per incoraggiare una maggiore esplorazione e autocorrezione. L'uso di tali micro-azioni ha migliorato gli output e, cosa altrettanto importante, è facile ed economico da verificare.

Una tecnica di messa a punto del rinforzo semplice, illustrativa e molto influente è stata introdotta da DeepSeek nell'addestramento del loro modello di ragionamento sperimentale open source R1-Zero.

Utilizzando DeepSeek-V3 come base, DeepSeek è passato direttamente dal pre-addestramento a uno schema di apprendimento per rinforzo basato su regole estremamente semplice:

• Query del modello: porre una domanda al modello. Effettua il prompt dell'output di un processo di pensiero tra “<think> ” e “</think> ” token, e crea l'output la sua risposta finale tra “<answer> ” e “</answer> ” token.
  
  
• Premi per la precisione: premia il modello per la qualità della sua risposta, ad esempio per l'esecuzione del codice ben generato.
  
  
• Ricompense di formato: premia il modello per l'uso corretto di "<think> </think> " e del formato "<answer> </answer> " nelle risposte.

Sorprendentemente, senza alcuna istruzione esplicita in tal senso, DeepSeek-R1-Zero ha imparato a generare chain of thought complesse e a impiegare strategie di ragionamento che hanno prodotto prestazioni impressionanti in compiti matematici e di ragionamento. In altre parole, dato solo il mandato di "pensare" prima di fornire una risposta definitiva e di massimizzare l'accuratezza delle risposte finali, il modello ha esplorato e "scoperto" naturalmente modelli di ragionamento ottimali.

In pratica, questo approccio ridotto presentava importanti difetti: come spiega il documento tecnico, "DeepSeek-R1-Zero incontra sfide come la ripetizione infinita, la scarsa leggibilità e i linguaggi misti". Tuttavia, questo approccio RL puro è servito come base della metodologia più raffinata che ha prodotto il popolarissimo modello DeepSeek-R1.

Mentre la maggior parte dei paradigmi RL basati su COT mira a ottimizzare l'efficacia di un singolo output, altri metodi generano più output finali o intermedi con l'obiettivo di identificare e incentivare le migliori fasi di ragionamento.

Molti di questi approcci si basano su algoritmi di ottimizzazione basati sulla ricerca, come ricerca a fasci, tree-of-thought o ricerca ad albero di Monte Carlo (MCTS), per generare ed esplorare molteplici percorsi di ragionamento. Un modello di ricompensa di processo (PRM) valuta la qualità e il successo di ogni singolo passaggio di ragionamento, e una ricompensa viene poi retropropagata in modo iterativo attraverso i percorsi di ragionamento che hanno portato a risultati desiderabili. L'ottimizzazione dei pesi del modello per massimizzare la ricompensa attesa aumenta la probabilità che il modello persegua i percorsi di ragionamento più produttivi. Ciò è particolarmente utile per le attività di ragionamento con una gamma molto ampia di potenziali decisioni o quelle che richiedono un'ampia pianificazione a lungo termine per avere la possibilità di raggiungere una risposta finale accurata.

Mentre gli algoritmi basati sulla ricerca si concentrano intrinsecamente sui passaggi intermedi, gli approcci di campionamento danno priorità ai risultati finali. L'implementazione più basilare della scala di inferenza basata sul campionamento è un semplice algoritmo best-of-N: fornisce lo stesso prompt di input a un modello N volte, usa un modello di ricompensa di risultato (ORM) per punteggiare ogni risultato e seleziona il risultato che l'ORM assegna come risposta finale del modello.

Un algoritmo classico basato sul campionamento, l'autoconsistenza (chiamata anche voto di maggioranza), non richiede un ORM. Ogni attività inizia con un prompt chain-of-thought. Dal decodificatore del modello vengono campionate risposte multiple, ognuna con il proprio percorso di ragionamento. La risposta finale che appare più consistente tra gli output campionati è considerata quella ottimale. Questo può essere utilizzato sia come strategia di test-time scaling per minimizzare la casualità e le allucinazioni, sia come mezzo per generare dati di ragionamento di alta qualità per i metodi basati su SFT.

Il principale svantaggio dei metodi basati sulla ricerca e sul campionamento per i modelli di pensiero è l'aumento della latenza, ovvero tempi di risposta più lunghi, e il sovraccarico computazionale che introducono. Tuttavia, una ricerca della Carnegie Mellon University postula che i modelli più piccoli che utilizzano algoritmi di inferenza basati sulla ricerca o sui campioni possono offrire un compromesso superiore tra prestazioni ed efficienza rispetto ai modelli più grandi usati convenzionalmente.

Uno dei modi concettualmente più semplici per mettere a punto i modelli di ragionamento è semplicemente utilizzare l'apprendimento supervisionato su un set di dati che comprende prompt di input impegnativi e corrispondenti output basati su CoT.

Sebbene l'uso di metodi convenzionali per assemblare un set di dati di addestramento "a mano" tramite esempi scritti dall'uomo sia proibitivo in termini di tempo e fatica, la proliferazione di modelli di ragionamento e tecniche di scala di inferenza ha reso significativamente più facile generare dati sintetici per l'addestramento.  Una ricerca condotta dalla Stanford University e dall'Allen Institute for AI ha scoperto che dopo aver ottimizzato la modalità Qwen2.5-32B-Instruct su un set di dati affinato di sole 1.000 coppie di domande e tracce di ragionamento, il loro modello "s1" ha battuto l'anteprima o1 di OpenAI sui problemi matematici della concorrenza.

La knowledge distillation può anche essere utilizzata per insegnare ai modelli più piccoli a emulare i processi di pensiero dei modelli di ragionamento più grandi, mettendoli a punto tramite SFT direttamente sugli output generati dal modello più grande dell'"insegnante". DeepSeek ha utilizzato la distillazione della conoscenza, con DeepSeek-R1 come modello di riferimento, per creare versioni ottimizzate per il ragionamento di modelli Qwen e Llama di diverse dimensioni.

Altri metodi mirano a eseguire il bootstrapping di un set di dati di prompt e corrispondenti output CoT lunghi attraverso un processo di "auto-miglioramento" del modello. Self-Taught Reasoner (STaR) fornisce pochi esempi di tracce di ragionamento efficaci, poi invita un modello a generare risposte e motivazioni per un numero maggiore di domande di esempio. Il modello viene quindi affinato su ragionamenti che alla fine hanno prodotto risposte corrette, dopodiché il processo viene ripetuto in modo iterativo. L'auto-addestramento rinforzato (ReST) applica un approccio concettuale simile per mettere a punto il segnale di ricompensa (o "politica") utilizzato per la messa a punto del rinforzo. Entrambi hanno dato origine a numerose metodologie derivate.

Nonostante i numerosi punti di forza e benefici, gli LLM di ragionamento non sono privi di svantaggi.

I modelli di ragionamento (e in particolare quelli con relativamente pochi parametri) tendono a pensare troppo. Uno studio di Tencent ha rilevato che i modelli di ragionamento consumano in media il 1.953% in più di token rispetto ai modelli convenzionali per arrivare alla stessa risposta. Un altro studio [x], condotto da ricercatori in diverse università, ha rilevato che in ambienti agentici, i modelli di ragionamento hanno la tendenza a impegnarsi in un ragionamento circolare esteso invece di interagire con strumenti e fonti di informazione esterni.

Una ricerca pubblicata da Anthropic nel luglio 2025 ha affermato che tale eccessiva riflessione non è solo una questione di efficienza: il loro articolo, "Inverse Scaling in Test-Time Compute", ha esplorato "casi in cui un ragionamento più lungo peggiora le prestazioni, mostrando una relazione inversa tra il tempo di test-time compute e l'accuratezza". Sebbene sia stato dimostrato empiricamente che aumentare il test-time compute può spesso migliorare le prestazioni del modello, la loro ricerca ha dimostrato molteplici scenari nella generazione di più token di ragionamento prima dell'output finale amplificava le debolezze e i problemi di allineamento del modello. Ciò mette in discussione "l'ipotesi che un maggiore ragionamento migliori universalmente gli output del modello".

Una ricerca correlata di Apple, menzionata in precedenza in questo articolo, ha dimostrato una serie di compiti a bassa complessità in cui i modelli standard hanno superato quelli di ragionamento, così come compiti ad alta complessità in cui entrambi i tipi di modelli falliscono completamente. Nelle esplorazioni di Apple, i modelli di ragionamento "non riescono a sviluppare funzionalità generalizzabili di risoluzione dei problemi per le attività di pianificazione, con prestazioni che scendono a zero oltre una certa soglia di complessità".

Sebbene la messa a punto del ragionamento generalmente produca importanti miglioramenti su attività complesse in domini logici come la matematica e la codifica, può anche portare a cali di prestazioni altrove. Ad esempio, rispetto alle loro controparti originali, le versioni di Llama 3.1 e Qwen2.5 perfezionate tramite knowledge distillation su DeepSeek-R1 hanno mostrato una significativa regressione sia su ArenaHard che su Alpaca-Eval-2, benchmark popolari che misurano la capacità di un modello di elaborare istruzioni difficili. Detto ciò, tecniche di ragionamento più mirate, come l'ottimizzazione delle preferenze di pensiero (TPO) usata per mettere a punto IBM Granite 3.2, migliorano notevolmente il follow-up delle istruzioni (sebbene senza un impatto significativo sulle prestazioni matematiche o di codifica).

Gli utenti devono pagare (e attendere) per tutti i token generati dal modello mentre "pensano", e quei token in uso consumano la finestra di contesto disponibile. Alcuni casi d'uso giustificano il tempo e l'elaborazione aggiuntivi, ma per altri è uno spreco di risorse. Tuttavia, passare costantemente da un modello di ragionamento a un modello "standard" in base a ogni singola attività e a ogni singolo prompt non è solitamente pratico.

Nel periodo successivo al rilascio dei primi modelli di ragionamento, il settore dell'AI ha ampiamente adottato "modelli di ragionamento ibrido" il cui "sforzo" di ragionamento o di pensiero, in altre parole, la quantità di token di ragionamento che generano prima di un output finale, può essere regolato.

A febbraio 2025, IBM Granite 3.2 è diventato il primo modello LLM a offrire una modalità di "pensiero" attivabile, che consente agli utenti di utilizzare il ragionamento quando ne hanno bisogno e dare priorità all'efficienza quando non ne hanno bisogno.16 Claude 3.7 Sonnet di Anthropic ha seguito l'esempio più tardi quel mese, aggiungendo la possibilità per gli utenti delle API di avere un controllo preciso sulla durata del "pensiero" del modello. Google ha successivamente introdotto una capacità simile di regolare il "budget di pensiero" dei modelli Gemini, e OpenAI ha presto permesso di impostare lo "sforzo di ragionamento" dei suoi modelli di ragionamento o1 e o3 su "basso", "medio" o "alto". 

Da allora, questo approccio è diventato essenzialmente standard. Sebbene alcune importanti famiglie di modelli linguistici continuino a essere rilasciate con varianti distinte, sia con che senza funzionalità di ragionamento, la maggior parte dei fornitori si limita a rilasciare modelli con capacità di ragionamento, la cui funzione può essere disabilitata dall'utente.

In apparenza, rivelare la chain of thoughts del modello all'utente aiuta a comprendere esattamente come un LLM arrivi alle sue risposte finali, offrendo una maggiore interpretabilità rispetto a quella usualmente possibile con un modello standard. Ma una ricerca di Anthropic suggerisce che i modelli di ragionamento non sempre dicono ciò che pensano realmente . Attraverso una serie di attività appositamente progettate, i ricercatori hanno scoperto che sia Claude 3.7 Sonnet che DeepSeek-R1 non spiegavano fedelmente il loro ragionamento: ad esempio, quando fornivano suggerimenti sulla risposta corretta, le loro risposte raramente menzionavano quei suggerimenti quando descrivevano la loro presunta logica.