Managing Reasoning Levels in Large Language Models

Penulis artikel ini menjelaskan bagaimana large language model (LLM) dilatih untuk bernalar dengan tingkat upaya yang berbeda-beda, dimulai dari kemunculan model OpenAI o1 dua tahun lalu, yang kemudian diikuti oleh DeepSeek-R1 dengan metodologi pelatihan RLVR (reinforcement learning from verifiable rewards). Baru-baru ini, OpenAI merilis keluarga GPT-5.6, yang mencakup tiga ukuran dan sekitar lima hingga enam pengaturan tingkat upaya penalaran. Artikel ini memberikan definisi singkat tentang model penalaran (reasoning models): model-model ini menghasilkan jejak penalaran perantara, mengerjakan pertanyaan secara bertahap langkah demi langkah. Dibahas pula dua cara untuk meningkatkan performa: penskalaan pelatihan (training scaling) dan penskalaan inferensi (inference scaling). Dalam pelatihan, digunakan RLVR, di mana penghargaan (reward) diberikan atas ketepatan jawaban pada domain yang dapat diverifikasi (matematika, kode). DeepSeek-R1 menunjukkan bahwa perilaku semacam itu dapat dicapai melalui reinforcement learning (RL) murni, meskipun alur kerja lengkapnya sebenarnya bertahap dan terdiri dari banyak tahap. Artikel ini juga membahas tag <think> dan </think>, yang hanya menandai batas-batas jejak penalaran dan tidak dengan sendirinya memberi model kemampuan untuk berpikir. Dengan menggunakan contoh Qwen3, ditunjukkan bagaimana pengaktifan/penonaktifan mode penalaran diimplementasikan melalui tokenizer (enable_thinking). Terakhir, dibahas bagaimana pengaturan tingkat upaya penalaran mungkin diimplementasikan pada GPT-5.6: kemungkinan besar melalui system prompt yang memengaruhi panjang jawaban dan tingkat akurasi.