reasoning_effort dijelaskan: dari minimal hingga maksimal

Model reasoning berpikir sebelum menjawab. Parameter reasoning_effort menentukan seberapa banyak proses tersebut dilakukan. Level yang lebih tinggi sering meningkatkan kualitas jawaban untuk masalah sulit. Parameter ini juga menambah latensi dan token output, karena token reasoning ditagihkan sebagai output. Panduan ini menjelaskan level-level tersebut, model mana di GetVibe API yang menerimanya, serta apa yang terjadi pada model yang menggunakan cara reasoning berbeda.

Penempatan parameter

• /v1/chat/completions: field tingkat teratas, "reasoning_effort": "high".
• /v1/responses: bersarang, "reasoning": {"effort": "high"}. Ini adalah bentuk kanonis Responses API, dan bentuk yang digunakan Codex CLI.

curl https://getvibeapi.com/v1/chat/completions \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-6-sol",
    "reasoning_effort": "high",
    "messages": [{"role": "user", "content": "Selesaikan langkah demi langkah: 17 * 23"}]
  }'

Level-levelnya

Gateway mengenali none, minimal, low, medium, high, xhigh dan max. Ejaannya adalah medium, bukan middle. Setiap model memublikasikan subset yang diterimanya di caps.reasoning.levels dalam katalog publik (https://getvibeapi.com/api/catalog).

Bagaimana keluarga model lain menanganinya

• GLM dan Qwen: biner. none, minimal dan low mematikan thinking, sedangkan medium dan level di atasnya menyalakannya.
• Gemini: juga biner. Level yang lebih rendah menetapkan thinking budget ke nol, sedangkan medium dan level di atasnya menggunakan budget otomatis.
• DeepSeek dan Kimi: reasoning sudah terintegrasi dalam model dan parameter ini tidak mengaktifkan atau menonaktifkannya.
• Claude: menggunakan extended thinking. Kirim objek thinking dengan budget_tokens ke /v1/messages. Jangan menganggap field reasoning_effort pada chat sebagai padanannya.

from anthropic import Anthropic

client = Anthropic(base_url="https://getvibeapi.com", api_key="sk-pv-...")
r = client.messages.create(
    model="claude-opus-5.5",
    max_tokens=2048,
    thinking={"type": "enabled", "budget_tokens": 1024},
    messages=[{"role": "user", "content": "Buat rencana migrasi database untuk ..."}],
)
print(r.content)

Memilih level

• minimal / low: klasifikasi, ekstraksi, pemformatan, dan penulisan ulang singkat. Cocok untuk hal-hal yang cukup dijawab dengan hasil lintasan pertama dan membutuhkan kecepatan.
• medium: pilihan default yang masuk akal untuk assistant umum dan pengeditan kode rutin.
• high: masalah multi-langkah, debugging, dan perencanaan tindakan berikutnya oleh agent.
• xhigh / max: tugas paling sulit, ketika jawaban yang salah menimbulkan biaya lebih besar daripada token tambahan. Bersiaplah menerima respons yang terasa lebih panjang dan tagihan output yang lebih besar.

Pendekatan praktis: mulai dari level rendah, ukur kualitas pada kumpulan tugas Anda sendiri yang tetap, lalu naikkan level hanya untuk permintaan yang gagal. Biayanya terlihat per permintaan dalam objek usage. Token reasoning dihitung sebagai output.

Langkah berikutnya

Baca dokumentasi reasoning, bandingkan GPT-6 Luna, Sol dan Astra, atau lihat perbedaan Claude Opus 5.5 dan GPT-6 Sol untuk coding agent.