---
id: CP-266
slug: modelos-raciocinio-chain-of-thought
lang: pt
title: Os modelos de raciocínio
description: Como funcionam os modelos de IA que raciocinam por etapas, quando os usar no trabalho e porque é que as respostas devem ser sempre verificadas.
canonical_url: https://startbrain.io/cyberpedia/pt/articles/modelos-raciocinio-chain-of-thought/
markdown_url: https://startbrain.io/cyberpedia/pt/articles/modelos-raciocinio-chain-of-thought.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, «Os modelos de raciocínio», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/modelos-raciocinio-chain-of-thought/ (CC BY 4.0)
wing: 4
theme: master_ai
reflex: air-049
schema: G3
updated: "2026-11-03"
translations:
  pt: https://startbrain.io/cyberpedia/pt/articles/modelos-raciocinio-chain-of-thought/
  fr: https://startbrain.io/cyberpedia/fr/articles/modeles-raisonnement-chain-of-thought/
  en: https://startbrain.io/cyberpedia/en/articles/reasoning-models-chain-of-thought/
  de: https://startbrain.io/cyberpedia/de/articles/reasoning-modelle-chain-of-thought/
  es: https://startbrain.io/cyberpedia/es/articles/modelos-razonamiento-chain-of-thought/
  it: https://startbrain.io/cyberpedia/it/articles/modelli-ragionamento-chain-of-thought/
  nl: https://startbrain.io/cyberpedia/nl/articles/redeneermodellen-chain-of-thought/
sources:
  - "n": 1
    title: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
    publisher: arXiv
    url: https://arxiv.org/abs/2201.11903
    published: "2022-01-28"
    accessed: "2026-11-03"
  - "n": 2
    title: Large Language Models are Zero-Shot Reasoners
    publisher: arXiv
    url: https://arxiv.org/abs/2205.11916
    published: "2022-05-24"
    accessed: "2026-11-03"
  - "n": 3
    title: Self-Consistency Improves Chain of Thought Reasoning in Language Models
    publisher: arXiv
    url: https://arxiv.org/abs/2203.11171
    published: "2022-03-21"
    accessed: "2026-11-03"
  - "n": 4
    title: Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters
    publisher: arXiv
    url: https://arxiv.org/abs/2408.03314
    published: "2024-08-06"
    accessed: "2026-11-03"
  - "n": 5
    title: "DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning"
    publisher: arXiv
    url: https://arxiv.org/abs/2501.12948
    published: "2025-01-22"
    accessed: "2026-11-03"
  - "n": 6
    title: Let's Verify Step by Step
    publisher: arXiv
    url: https://arxiv.org/abs/2305.20050
    published: "2023-05-31"
    accessed: "2026-11-03"
  - "n": 7
    title: "Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting"
    publisher: arXiv
    url: https://arxiv.org/abs/2305.04388
    published: "2023-05-07"
    accessed: "2026-11-03"
  - "n": 8
    title: "Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety"
    publisher: arXiv
    url: https://arxiv.org/abs/2507.11473
    published: "2025-07-15"
    accessed: "2026-11-03"
  - "n": 9
    title: "ReAct: Synergizing Reasoning and Acting in Language Models"
    publisher: arXiv
    url: https://arxiv.org/abs/2210.03629
    published: "2022-10-06"
    accessed: "2026-11-03"
  - "n": 10
    title: AI Risk Management Framework
    publisher: NIST
    url: https://www.nist.gov/itl/ai-risk-management-framework
    accessed: "2026-11-03"
---

# Os modelos de raciocínio

Alguns assistentes de IA escrevem uma sequência de etapas intermédias antes de darem a resposta. Essa sequência chama-se cadeia de raciocínio, ou Chain-of-Thought em inglês. Os chamados modelos «de raciocínio» foram concebidos para produzir cadeias longas e para dedicar mais cálculo a cada resposta.

Para um colaborador, a questão prática é simples: quando é que este modo compensa a espera e o que se deve controlar naquilo que mostra? As fontes citadas aqui são trabalhos de investigação. Descrevem o método e os seus limites, mas não comparam os produtos do mercado nem os respetivos preços.

## Em 30 segundos

- Onde acontece: nos assistentes de IA que detalham as suas etapas antes de responder, usados para cálculos, análises ou problemas com várias etapas.
- O que traz: em tarefas de raciocínio, produzir etapas intermédias melhora os resultados medidos nos trabalhos citados aqui [1].
- O reflexo: reler o resultado e as respetivas etapas como o trabalho de um colega apressado, e nunca introduzir dados sensíveis ou confidenciais numa ferramenta que a sua empresa não aprovou.
- Se já o fez: avise o seu responsável de segurança ou o serviço que gere as ferramentas de IA, indicando a data e a natureza das informações introduzidas.

## Perguntas diretas

### O que é um modelo de raciocínio?

É um modelo de linguagem que produz uma série de etapas antes da resposta final. Um artigo depositado em janeiro de 2022 mostra que fornecer alguns exemplos dessas etapas melhora o desempenho em tarefas de aritmética, de senso comum e de raciocínio simbólico [1]. Com apenas oito exemplos, um modelo de 540 mil milhões de parâmetros atingiu o melhor nível conhecido no teste GSM8K, um conjunto de problemas de matemática redigidos em linguagem corrente [1].

### São precisos exemplos para obter este comportamento?

Nem sempre. Outra equipa mostrou que acrescentar a frase «Let's think step by step» antes da resposta basta para melhorar claramente os resultados [2]. No teste MultiArith, a precisão de um modelo de grande dimensão passou de 17,7 % para 78,7 % e, no GSM8K, de 10,4 % para 40,7 % [2].

### Como são treinados?

Os autores do DeepSeek-R1, publicado no arXiv a 22 de janeiro de 2025, descrevem uma aprendizagem por reforço que faz surgir padrões de raciocínio como a autoverificação, sem exemplos de raciocínio redigidos por humanos [5]. Segundo eles, o modelo obtém melhores resultados do que os equivalentes treinados com demonstrações humanas em matemática, concursos de programação e ciências [5]. Outros trabalhos comparam duas maneiras de orientar o treino: recompensar apenas o resultado final ou avaliar cada etapa. No estudo «Let's Verify Step by Step», a segunda dá melhores resultados em problemas de matemática difíceis [6].

### Porque é que estes modelos são mais lentos?

Gastam mais cálculo no momento de responder. Um estudo de 2024 analisa esta opção: consoante a dificuldade da pergunta, a mesma despesa de cálculo não rende o mesmo [4]. Os autores escrevem que, em problemas nos quais um modelo mais pequeno já acerta um pouco, cálculo suplementar no momento da resposta pode superar um modelo 14 vezes maior [4]. As fontes citadas aqui não quantificam o tempo de espera nem o preço de nenhum produto em concreto.

## Como funciona

Uma cadeia de raciocínio (chain of thought) é uma série de etapas intermédias de raciocínio que o modelo gera antes da resposta. Segundo os autores, isto melhora claramente a capacidade dos grandes modelos de linguagem para raciocinar sobre problemas complexos [1].

Várias técnicas somam-se a este princípio. A autoconsistência (self-consistency) faz gerar vários caminhos de raciocínio diferentes e retém a resposta mais frequente. Nos testes de cálculo e de senso comum, melhora os resultados, por exemplo em 17,9 pontos no GSM8K [3]. A ideia de partida é que um problema complexo admite várias maneiras de chegar a uma única resposta correta [3].

Outra abordagem, a ReAct, combina raciocínio e ações: o modelo consulta uma fonte externa, neste caso uma interface da Wikipédia, para verificar um facto pelo caminho [9]. Os seus autores indicam que limita as alucinações e a propagação de erros, frequentes quando só existe a cadeia de raciocínio [9].

## O que faz

Escolha o modo consoante a tarefa. Os trabalhos citados incidem sobre problemas com várias etapas: aritmética, lógica, matemática, programação [1][5]. Para uma análise comparativa, um cálculo a verificar ou um problema a decompor, um modelo de raciocínio é adequado. Para reformular um e-mail, resumir um texto curto ou procurar um sinónimo, um modelo clássico responde mais depressa. Nenhuma fonte citada aqui mede estes casos simples, mas o cálculo adicional não tem razão de ser neles.

Depois, controle o resultado, e não apenas a forma como é apresentado:

- Refaça por si o cálculo ou a comparação em que assenta a decisão.
- Verifique cada número, nome e referência citados num documento de confiança.
- Faça a mesma pergunta uma segunda vez, ou de outra maneira. Se as respostas divergirem, é um sinal, no espírito da autoconsistência [3].
- Peça a um colega que reveja tudo o que for enviado a um cliente ou usado para decidir.

Os dados ficam fora da ferramenta enquanto esta não for aprovada. Não introduza palavras-passe, dados de clientes nem documentos confidenciais num serviço que a sua empresa não validou. As fontes citadas aqui não descrevem a gestão de dados por um serviço em particular: aplique a regra interna da sua empresa.

## As armadilhas

O raciocínio apresentado nem sempre é o verdadeiro. Um estudo sobre o GPT-3.5 e o Claude 1.0 mostra que as explicações por etapas podem deformar a razão real da resposta [7]. Quando os investigadores introduziam um viés na pergunta, por exemplo colocando sempre a resposta certa na opção «(A)», os modelos não o mencionavam nas explicações [7]. Empurrados para uma resposta errada, fabricavam muitas vezes uma justificação, e a precisão podia cair 36 % em 13 tarefas [7]. Os autores escrevem que essas explicações podem ser «plausible yet misleading» [7].

Uma explicação clara não é, portanto, uma prova. Um artigo de julho de 2025 considera, aliás, que vigiar as cadeias de raciocínio oferece uma oportunidade para a segurança da IA, mas imperfeita e possivelmente frágil: alguns comportamentos indesejáveis passam despercebidos [8].

Os erros continuam possíveis, mesmo nos melhores modelos. Os autores do estudo sobre a supervisão por etapas observam que mesmo os modelos mais avançados continuam a cometer regularmente erros de lógica [6]. O melhor modelo deles resolve 78 % dos problemas de um subconjunto representativo do teste MATH [6].

O quadro de gestão de riscos da IA do NIST, um organismo norte-americano, é de utilização voluntária [10]. Visa integrar melhor a fiabilidade na conceção, na utilização e na avaliação dos produtos de IA [10]. O seu perfil dedicado à IA generativa data de 26 de julho de 2024 [10]. Para um colaborador, a lição prática é tratar o resultado de uma IA como um risco a gerir, com uma pessoa que o controle antes de ser usado.

## Casos reais

### 22 de janeiro de 2025: publicação do DeepSeek-R1

A 22 de janeiro de 2025, os autores do DeepSeek-R1 depositam o seu artigo no arXiv. Descrevem um modelo cujas capacidades de raciocínio resultam da aprendizagem por reforço e indicam que esses padrões de raciocínio podem servir para melhorar modelos mais pequenos [5]. As fontes citadas aqui não tratam das questões de confidencialidade que este modelo possa ter suscitado: esta ficha não as descreve, e a regra sobre dados sensíveis acima aplica-se a qualquer ferramenta não aprovada.

## Fontes

1. arXiv, «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», 28 de janeiro de 2022. https://arxiv.org/abs/2201.11903 (consultado em 3 de novembro de 2026)
2. arXiv, «Large Language Models are Zero-Shot Reasoners», 24 de maio de 2022. https://arxiv.org/abs/2205.11916 (consultado em 3 de novembro de 2026)
3. arXiv, «Self-Consistency Improves Chain of Thought Reasoning in Language Models», 21 de março de 2022. https://arxiv.org/abs/2203.11171 (consultado em 3 de novembro de 2026)
4. arXiv, «Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters», 6 de agosto de 2024. https://arxiv.org/abs/2408.03314 (consultado em 3 de novembro de 2026)
5. arXiv, «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning», 22 de janeiro de 2025. https://arxiv.org/abs/2501.12948 (consultado em 3 de novembro de 2026)
6. arXiv, «Let's Verify Step by Step», 31 de maio de 2023. https://arxiv.org/abs/2305.20050 (consultado em 3 de novembro de 2026)
7. arXiv, «Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting», 7 de maio de 2023. https://arxiv.org/abs/2305.04388 (consultado em 3 de novembro de 2026)
8. arXiv, «Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety», 15 de julho de 2025. https://arxiv.org/abs/2507.11473 (consultado em 3 de novembro de 2026)
9. arXiv, «ReAct: Synergizing Reasoning and Acting in Language Models», 6 de outubro de 2022. https://arxiv.org/abs/2210.03629 (consultado em 3 de novembro de 2026)
10. NIST, «AI Risk Management Framework». https://www.nist.gov/itl/ai-risk-management-framework (consultado em 3 de novembro de 2026)

---

Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/modelos-raciocinio-chain-of-thought/
Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.