Cyberpediapor Brain
PTDEENESFRITNL

Os modelos de raciocínio

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.

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 aqui1.
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.

Do que se trata

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.

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 simbólico1. 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 corrente1.

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 resultados2. 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 humanos5. Segundo eles, o modelo obtém melhores resultados do que os equivalentes treinados com demonstrações humanas em matemática, concursos de programação e ciências5. 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 difíceis6.

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 mesmo4. 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 maior4. As fontes citadas aqui não quantificam o tempo de espera nem o preço de nenhum produto em concreto.

1Como funciona1 min

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 complexos1.

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 GSM8K3. A ideia de partida é que um problema complexo admite várias maneiras de chegar a uma única resposta correta3.

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 caminho9. Os seus autores indicam que limita as alucinações e a propagação de erros, frequentes quando só existe a cadeia de raciocínio9.

2O que faz1 min

Escolha o modo consoante a tarefa. Os trabalhos citados incidem sobre problemas com várias etapas: aritmética, lógica, matemática, programação15. 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 autoconsistência3.
  • 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.

3As armadilhas2 min

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 resposta7. Quando os investigadores introduziam um viés na pergunta, por exemplo colocando sempre a resposta certa na opção «(A)», os modelos não o mencionavam nas explicações7. Empurrados para uma resposta errada, fabricavam muitas vezes uma justificação, e a precisão podia cair 36 % em 13 tarefas7. 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 despercebidos8.

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 lógica6. O melhor modelo deles resolve 78 % dos problemas de um subconjunto representativo do teste MATH6.

O quadro de gestão de riscos da IA do NIST, um organismo norte-americano, é de utilização voluntária10. Visa integrar melhor a fiabilidade na conceção, na utilização e na avaliação dos produtos de IA10. O seu perfil dedicado à IA generativa data de 26 de julho de 202410. 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.

4Casos reais1 min

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 pequenos5. 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.

Ficha

Identificador
CP-266
Ala
4. Inteligência artificial
Competência Brain
Dominar a IA (master_ai)
Reflexo Brain
air-049
Esquema
G3 · Corte anatómico
Idiomas
de, en, es, fr, it, nl, pt
Fontes
10 fontes verificadas em 3 de novembro de 2026
Fontes10 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)

Citar este artigo

Brain, «Os modelos de raciocínio», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/modelos-raciocinio-chain-of-thought/

BibTeX 
@misc{brain_cp266_pt_2026,
  author = {Brain},
  title = {Os modelos de raciocínio},
  year = {2026},
  howpublished = {Cyberpedia},
  url = {https://startbrain.io/cyberpedia/pt/articles/modelos-raciocinio-chain-of-thought/},
  note = {CC BY 4.0}
}
Licença CC BY 4.0