Modello di ragionamento
Un modello di ragionamento è un modello linguistico addestrato a risolvere un problema per passaggi intermedi prima di dare la risposta finale. Invece di rispondere subito produce prima una catena di pensiero, e questo lo rende più bravo nei compiti a più fasi, come matematica, logica e correzione di errori nel codice.
Aggiornato il 8 novembre 2026
In questa pagina
Leggibile solo sui tuoi dispositivi.
La tua conversazione appare in chiaro sul tuo dispositivo, e sugli altri tuoi dispositivi se li sincronizzi. Da nessun’altra parte.
Illeggibile per noi.
Il tuo messaggio transita senza essere registrato; le tue chat vengono salvate solo cifrate.
Il modello non sa chi sei.
Riceve la domanda, mai la tua e-mail, il tuo account o il tuo indirizzo IP.
Niente resta per strada.
La risposta torna e viene salvata qui, cifrata; anche con la sincronizzazione, la tua chiave non ci arriva mai in chiaro.
Come funziona
Un modello standard scrive la risposta token dopo token, senza spazio per pianificare. Un modello di ragionamento è addestrato, di solito con apprendimento per rinforzo, a spendere token in più per pensare prima: scomporre la domanda, provare un approccio, controllare un risultato e tornare indietro quando non regge. Solo dopo scrive la risposta che leggi. Alcuni sistemi mostrano un riassunto del pensiero, altri lo nascondono, altri ancora lo restituiscono in un campo separato. La parte nascosta compare con nomi come catena di pensiero, brogliaccio, token di pensiero o calcolo in fase di test.
Il vantaggio è massimo dove un errore iniziale rovina tutto: una dimostrazione da olimpiadi, una race condition nel codice concorrente, una migrazione di dati, un caso fiscale con eccezioni o un rompicapo di pianificazione. Il costo è reale: i token di pensiero richiedono tempo prima della prima parola visibile e contano nell’utilizzo, quindi una risposta con ragionamento può essere più lenta e più cara di una semplice. Per un saluto, una breve riscrittura o una ricerca banale lo sforzo in più non aggiunge nulla.
I modelli gestiscono la cosa in modi diversi. Alcuni ragionano sempre e non offrono interruttori. Altri ti lasciano attivare o disattivare il ragionamento, o scegliere quanto impegno dedicargli; i creatori chiamano questa manopola livello di impegno, budget di pensiero, pensiero esteso o modalità deliberata. Anche un modello che ragiona può sbagliare: verificare i propri passaggi riduce il rischio di certi errori, ma non ne fa una fonte di fatti verificati. L’addestramento di solito premia i risultati finali corretti su problemi verificabili, per esempio test che passano o una risposta numerica che coincide, e questo spinge la rete verso strategie come scomporre, ricontrollare ed esplorare alternative prima di impegnarsi.
In NeverNo
DeepSeek V4 Pro, un modello privato incluso nei piani a pagamento di NeverNo, ragiona a ogni messaggio, con una finestra di contesto di 200.000 token; non c’è un’impostazione per spegnere il ragionamento. Altri ti lasciano scegliere: Qwen 3.5 35B lo offre come opzione, Claude Sonnet 5.5 offre il livello Adattivo, predefinito, e il livello Alto, e Kimi K3 ragiona sempre da solo. Nell’API, reasoning_effort attiva il ragionamento per i modelli che lo supportano e il pensiero torna in reasoning_content.
La pagina sulla verifica delle risposte dell’IA descrive un’idea affine: un secondo modello, di un’altra famiglia, rilegge una risposta, cita ciò che è sbagliato e propone una correzione. Usare un modello di ragionamento per la prima bozza e un modello diverso per la revisione è un abbinamento naturale.
Da ricordare
Un modello di ragionamento pensa per passaggi prima di rispondere, e questo aiuta nei problemi a più fasi.
Il pensiero consuma token e tempo, quindi è più lento e costa più di una risposta rapida.
Alcuni modelli ragionano sempre, altri ti lasciano attivarlo, altri ancora regolare l’impegno.
Il ragionamento riduce alcuni errori ma non elimina le allucinazioni: verifica ciò che conta.
Matematica da gara, colloqui di programmazione e griglie logiche sono le vetrine classiche; una domanda difficile può bruciare migliaia di token nascosti prima della prima parola visibile.
Domande frequenti
Quando conviene un modello di ragionamento?
Per problemi a più passaggi: matematica, logica, revisione accurata del codice, pianificazione, o qualsiasi domanda in cui un primo istinto sbagliato costa caro. Per domande fattuali rapide e scrittura quotidiana un modello standard è più veloce e altrettanto buono.
Posso leggere la catena di pensiero del modello?
Dipende dal modello e dall’app. Alcuni restituiscono il testo del ragionamento a parte, come fa l’API di NeverNo in reasoning_content per i modelli che lo supportano. Consideralo un insieme di appunti di lavoro, non la prova che la risposta sia giusta.
Un modello di ragionamento è sempre più accurato?
No. Spesso va meglio sui problemi strutturati, ma può comunque ragionare a partire da una premessa falsa e sembrare sicuro. Un secondo parere di un altro modello, o un confronto con una fonte, resta una buona pratica. I benchmark su problemi da olimpiade e programmazione competitiva mostrano il divario nel modo più chiaro.
Fai la tua prima domanda
Senza account né carta. Scrivi in una delle 10 lingue che NeverNo parla.
Apri la chat