Redeneermodel

Technische definitie

Een redeneermodel genereert eerst interne denk-tokens (reasoning tokens of thinking tokens) voordat het zijn zichtbare antwoord produceert. Anthropic beschrijft dit als extended thinking dat "enhanced reasoning capabilities for complex tasks" geeft via "thinking content blocks" met de interne redenering, vóór het eindantwoord (platform.claude.com). OpenAI introduceert "reasoning tokens in addition to input and output tokens"; die zijn niet zichtbaar via de API maar "occupy space in the model's context window and are billed as output tokens" (developers.openai.com). Google Gemini gebruikt "an internal thinking process that significantly improves their reasoning and multi-step planning abilities" (ai.google.dev). Het onderliggende concept is test-time compute: het model steekt meer rekenkracht in een antwoord op het moment van gebruik, met afnemende meeropbrengst (nauwkeurigheid verbetert logaritmisch met het aantal denk-tokens). Bij Anthropic is de besturing sinds kort veranderd: de huidige modellen (Claude Opus 5, Sonnet 5, Fable 5.1) gebruiken adaptive thinking, aangestuurd via een effort-parameter, en accepteren het oudere handmatige budget_tokens-mechanisme niet meer; dat is deprecated sinds Opus 4.6 en Sonnet 4.6 (bron: platform.claude.com, zelf geopend 14-09-2026).

Hoe het werkt

Use cases

• Complexe, meerstaps problemen

  Voor moeilijke wiskunde, programmeren en debuggen, wetenschappelijk redeneren en planning presteren redeneermodellen aantoonbaar beter. Google raadt voor dit soort taken expliciet een hoog denkbudget aan; het extra denkwerk verdient zich terug in nauwkeurigheid.

• Een planner die andere modellen aanstuurt

  OpenAI's hybride advies: gebruik een redeneermodel om de strategie te bedenken, en snellere standaardmodellen om de losse taken uit te voeren, "particularly when speed and cost are more important than perfect accuracy." In agentic workflows met Claude Code is dit een gangbaar patroon.

• Wanneer nauwkeurigheid boven snelheid gaat

  Bij taken waar een fout duur is (een financieel model controleren, een ingewikkelde migratie plannen), is het langere wachten en de hogere kosten het waard. Je zet de denkknop dan bewust hoger.

• Simpele taken bewust zónder veel denken

  Voor een feitvraag, classificatie of een kort, voor de hand liggend antwoord is denken niet nodig. Google noemt zulke taken expliciet als gevallen waar denken "not required" is. Zet de knop dan laag of uit: sneller, goedkoper, even goed.

• Latency-kritische toepassingen

  Bij chat met hoge doorvoer of realtime interactie telt elke seconde. Daar kies je een lager effort-niveau of een gewoon model, omdat de denkfase het antwoord vertraagt.

Voorbeelden

• Denkdiepte kiezen met een effort-niveau (Anthropic, Python)

  Bij de huidige Claude-modellen (Opus 5, Sonnet 5, Fable 5.1) zet je de denkdiepte met output_config.effort, niet met het oudere budget_tokens dat deze modellen niet meer accepteren. Bron: platform.claude.com, zelf geopend 14-09-2026.

  import anthropic
  client = anthropic.Anthropic()
  response = client.messages.create(
      model="claude-opus-5",
      max_tokens=16000,
      output_config={"effort": "high"},
      messages=[{"role": "user", "content": "Are there an infinite number of prime numbers such that n mod 4 == 3?"}],
  )

• Denkdiepte kiezen met een effort-niveau (OpenAI, Python)

  Bij OpenAI kies je hoeveel het model denkt via reasoning.effort. Lager is sneller en goedkoper, hoger redeneert dieper. Modelnaam en effort-waarden zijn een momentopname; check developers.openai.com.

  from openai import OpenAI
  client = OpenAI()
  response = client.responses.create(
      model="gpt-5.5",
      reasoning={"effort": "low"},
      input=[{"role": "user", "content": "Write a bash script..."}]
  )
  print(response.output_text)

• Wanneer wel en wanneer niet (conceptueel)

  Vraag: "In welke stad is DeepMind opgericht?" Dat is een simpele feitvraag: denken is niet nodig, een gewoon model is sneller en goedkoper. Vraag: "Los dit meerstaps wiskunde- of codeerprobleem op en controleer je werk." Daar loont het denken wel. Dezelfde tool, andere knopstand: dat is precies waar de term om draait.

Veelgemaakte fouten

• "Een redeneermodel is altijd beter."

  Niet waar. Bij simpele taken halen gewone modellen vaak even hoge of hogere nauwkeurigheid, én ze zijn sneller en goedkoper. Onderzoek vindt dat standaardmodellen bij lage complexiteit beter en efficiënter presteren (arXiv 2506.06941, "The Illusion of Thinking"). Kies per taak.

• "Je moet ze vragen om 'stap voor stap te denken'."

  Onnodig. OpenAI: "Since these models perform reasoning internally, prompting them to 'think step by step' or 'explain your reasoning' is unnecessary." Houd je prompt juist kort en duidelijk; few-shot voorbeelden zijn vaak overbodig. Probeer eerst zero-shot.

• "De getoonde redenering laat precies zien hoe het model denkt."

  Onjuist. Anthropic-onderzoek laat zien dat de chain-of-thought niet altijd "faithful" is: modellen verwoorden lang niet altijd de echte factoren achter hun antwoord (faithfulness was in sommige tests rond 25% bij bepaalde hints). De zichtbare gedachten zijn een venster, geen volledige waarheid.

• "Meer denken is altijd een beter antwoord."

  Niet vanzelfsprekend. Bij "overthinking" vinden modellen het juiste antwoord soms vroeg en verpesten het door door te blijven redeneren. Bovendien neemt de meeropbrengst van extra denken logaritmisch af. Begin laag en verhoog alleen als de kwaliteit het nodig heeft.

• "Ik moet zelf een budget_tokens instellen om denken aan te zetten."

  Niet meer bij de nieuwste Claude-modellen. Opus 5, Sonnet 5 en Fable 5.1 gebruiken adaptive thinking: het model bepaalt zelf wanneer en hoeveel het denkt, en jij stuurt dat bij met de effort-parameter (low tot max) in plaats van een handmatig tokenbudget. Deze modellen accepteren het oude budget_tokens-mechanisme niet meer (bron: platform.claude.com, zelf geopend 14-09-2026).

Veelgestelde vragen

• Wat is een reasoning-model?

  Een reasoning-model (redeneermodel of denkmodel) is een AI-model dat eerst intern nadenkt voordat het antwoordt. Het genereert eerst verborgen denk-tokens waarin het plant, aanpakken probeert en zichzelf corrigeert, en geeft pas daarna het zichtbare antwoord. Dat kost extra tijd en geld, maar levert vaak betere antwoorden bij complexe taken.
• Wat is het verschil tussen een redeneermodel en een gewoon taalmodel?

  Een gewoon taalmodel typt zijn antwoord direct uit, woord voor woord. Een redeneermodel maakt eerst een interne denkfase aan (een soort kladblok dat je niet ziet) en pas daarna het echte antwoord. Bij simpele vragen is het verschil klein en is het gewone model sneller en goedkoper; bij moeilijke, meerstaps taken wint het redeneermodel meestal op nauwkeurigheid.
• Wanneer moet ik een redeneermodel gebruiken?

  Gebruik het bij complexe, meerstaps problemen: moeilijke wiskunde, programmeren en debuggen, wetenschappelijk redeneren, planning en agent-workflows. Voor simpele feitvragen, classificatie of taken waar lage latency telt, kun je beter een gewoon model of een laag denkbudget kiezen. Vuistregel: zet de denkknop zo laag als kan en verhoog alleen als de kwaliteit het vraagt.
• Kosten redeneermodellen meer?

  Ja, meestal wel, omdat je voor de denk-tokens betaalt ook al zie je ze niet. OpenAI rekent reasoning tokens "as output tokens", Anthropic zegt "you're charged for the full thinking tokens generated" en Google's prijs is "the sum of output tokens and thinking tokens". Meer laten denken betekent dus hogere kosten en een trager antwoord.
• Moet ik een redeneermodel vragen om stap voor stap te denken?

  Nee. Omdat het model intern al redeneert, is een instructie als "denk stap voor stap" of "leg je redenering uit" overbodig; OpenAI noemt het letterlijk "unnecessary". Houd je prompt kort en duidelijk, en probeer eerst zonder voorbeelden (zero-shot). Te veel sturing kan de kwaliteit zelfs verlagen.
• Hallucineren redeneermodellen minder?

  Niet vanzelfsprekend. Het idee dat "nadenken" hallucinaties voorkomt klopt niet automatisch: onderzoek wijst juist op factuele degradatie bij sommige reasoning-modellen op feitgerichte taken (arXiv 2505.23646). Extra denken helpt bij redeneerproblemen, maar is geen garantie tegen onjuiste feiten.
• Hoe stel ik de denkdiepte in bij de nieuwste Claude-modellen?

  Via de effort-parameter (output_config.effort), met vijf niveaus: low, medium, high (standaard), xhigh en max. Dit verving op Claude Opus 5, Sonnet 5 en Fable 5.1 het oudere handmatige budget_tokens-mechanisme, dat deze modellen niet meer accepteren (bron: platform.claude.com, zelf geopend 14-09-2026).

Gerelateerde termen

• Chain of Thought
• Token
• Context Window
• LLM
• Hallucination
• Temperature
• Prompt Engineering
• Prompt caching