{"id":17,"date":"2025-10-12T14:29:51","date_gmt":"2025-10-12T14:29:51","guid":{"rendered":"https:\/\/pulki.es\/blog\/?p=17"},"modified":"2025-10-12T14:31:09","modified_gmt":"2025-10-12T14:31:09","slug":"reasoning-depth-output-verbosity-y-output-length","status":"publish","type":"post","link":"https:\/\/pulki.es\/blog\/index.php\/2025\/10\/12\/reasoning-depth-output-verbosity-y-output-length\/","title":{"rendered":"Reasoning depth, output verbosity y output length"},"content":{"rendered":"\n

En la entrada anterior hablamos de agentes y temperatura como forma de controlar las alucinaciones y creatividad del modelo. No obstante, respecto a la temperatura, esta dej\u00f3 de estar disponible en la API de OpenAI para los modelos GPT-5. En cambio, la compa\u00f1\u00eda insta a utilizar reasoning depth<\/em>, output verbosity<\/em> y output length<\/em>. A continuaci\u00f3n, explicaremos cada una de ellas y c\u00f3mo sacarles el m\u00e1ximo provecho, dependiendo del contexto.<\/p>\n\n\n\n

Reasoning depth<\/strong><\/p>\n\n\n\n

Los modelos GPT-5 ofrecen cuatro niveles de razonamiento. Por una parte, \u00abminimal\u00bb, que es la capa m\u00e1s baja, entrega respuestas con un razonamiento relativamente limitado, lo que impacta positivamente en el tiempo de respuesta y costo. En otras palabras, el modelo emplea menos tiempo para pensar y esto genera menos reasoning tokens<\/em> (que se cuentan como tokens de salida), lo que abarata costos. Seg\u00fan Arsturn<\/a>, esta configuraci\u00f3n podr\u00eda ser \u00fatil para responder preguntas b\u00e1sicas en torno a un texto predefinido, autocompletaci\u00f3n de oraciones simples, clasificaci\u00f3n de texto y para chatbots de alta frecuencia.<\/p>\n\n\n\n

Un nivel m\u00e1s arriba, tenemos \u00ablow\u00bb, cuyo tiempo de razonamiento y subsecuente costo son m\u00e1s altos que el nivel anterior. Esto entrega respuestas relativamente m\u00e1s elaboradas y creativas, sin incrementar significativamente el tiempo de respuesta. Arsturn<\/a> recomienda este nivel para customer support t\u00edpico, resumir contenido, extracci\u00f3n de datos y generar contenido en las redes sociales.<\/p>\n\n\n\n

Finalmente, tenemos \u00abmedium\u00bb y \u00abhigh\u00bb. En ambas categor\u00edas, el tiempo de razonamiento aumenta considerablemente, lo que tambi\u00e9n aumenta el costo de tokens de salida (explicado por reasoning tokens<\/em>). Estas categor\u00edas pueden ser usadas para an\u00e1lisis detallados, programaci\u00f3n, creaci\u00f3n de contenido, investigaci\u00f3n cient\u00edfica y planificaci\u00f3n estrat\u00e9gica.<\/p>\n\n\n\n

A modo de ejemplo, si su empresa recibe preguntas concretas de sus clientes que requieren respuestas cortas y r\u00e1pidas cuya soluci\u00f3n es relativamente trivial, los niveles \u00ablow\u00bb y \u00abminimal\u00bb son id\u00f3neos. En cambio, si est\u00e1 meditando la viabilidad de un plan de marketing o inversi\u00f3n, \u00abmedium\u00bb y \u00abhigh\u00bb ser\u00edan los niveles correctos.<\/p>\n\n\n\n

Output verbosity<\/strong><\/p>\n\n\n\n

Esta caracter\u00edstica consta de tres niveles, \u00ablow\u00bb, \u00abmedium\u00bb y \u00abhigh\u00bb. En base a la documentaci\u00f3n de OpenAI<\/a>, verbosity<\/em> determina cu\u00e1ntos tokens de salida pueden ser generados, incluso manteniendo el nivel de razonamiento constante. En palabras simples, el usuario puede fijar un nivel de razonamiento muy alto, pero si verbosity<\/em> es bajo, la respuesta ser\u00e1 breve, pero eventualmente de muy alta calidad. Naturalmente, en el contexto empresarial, si la pregunta es muy compleja, como una decisi\u00f3n estrat\u00e9gica, y el razonamiento necesita ser explicado de forma detallada, verbosity<\/em> \u00abhigh\u00bb es la configuraci\u00f3n id\u00f3nea. Por el contrario, si deseamos implementar un ChatBot de alta frecuencia que entregue respuestas simples y cortas, verbosity<\/em> \u00ablow\u00bb es la opci\u00f3n.<\/p>\n\n\n\n

Output length<\/strong><\/p>\n\n\n\n

Esta configuraci\u00f3n es un l\u00edmite m\u00e1s estricto para la cantidad de tokens de salida. Su funci\u00f3n es ser una cota superior para los tokens de respuesta y de razonamiento. En t\u00e9rminos concretos, si fijamos como la cantidad m\u00e1xima de tokens 200 y el modelo usa 120 para razonar, s\u00f3lo quedar\u00e1n 80 para generar el texto de la respuesta. Esta funci\u00f3n es \u00fatil para estandarizar respuestas o reducir su costo de forma impl\u00edcita.<\/p>\n\n\n\n

Pero \u00bfcu\u00e1l es la configuraci\u00f3n correcta?<\/strong><\/p>\n\n\n\n

Esto depender\u00e1 del contexto en el que se implementar\u00e1 la soluci\u00f3n. No obstante, sin lugar a dudas, una soluci\u00f3n costo-efectiva, con tiempos de respuesta y calidad razonables, estar\u00e1 condicionada a la adecuada configuraci\u00f3n de estos tres par\u00e1metros.<\/p>\n\n\n\n

Jos\u00e9 Miguel Mu\u00f1oz Urra \u2013\u00a0jmunozu@pulki.es<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

En la entrada anterior hablamos de agentes y temperatura como forma de controlar las alucinaciones y creatividad del modelo. No obstante, respecto a la temperatura, esta dej\u00f3 de estar disponible en la API de OpenAI para los modelos GPT-5. En cambio, la compa\u00f1\u00eda insta a utilizar reasoning depth, output verbosity y output length. A continuaci\u00f3n, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-17","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/posts\/17","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/comments?post=17"}],"version-history":[{"count":2,"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/posts\/17\/revisions"}],"predecessor-version":[{"id":19,"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/posts\/17\/revisions\/19"}],"wp:attachment":[{"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/media?parent=17"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/categories?post=17"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/pulki.es\/blog\/index.php\/wp-json\/wp\/v2\/tags?post=17"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}