---
title: "Ano ang chain-of-thought prompting? CoT vs reasoning model"
description: "Pinapasulat ng chain-of-thought prompting sa LLM ang mga hakbang bago sumagot. Saan ito nagmula, bakit nakatutulong, at paano ito ginagawa na ng reasoning models."
url: https://broadrouter.com/fil/glossary/chain-of-thought/
lang: fil
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/chain-of-thought/) (na-update noong 2026-11-16).

# Chain-of-thought (CoT)

Na-update 2026-11-16

Ang chain-of-thought (CoT) ay prompting technique kung saan ipinapakita o hinihiling sa language model na isulat ang mga intermediate na hakbang ng reasoning bago ang huling sagot. Pinapataas nito ang accuracy sa mga problemang maraming hakbang gaya ng arithmetic at logic, at kusa na itong ginagawa ng mga reasoning model.

Tinatawag ding: CoT, chain-of-thought prompting, step-by-step prompting, CoT prompting, hakbang-hakbang na pag-iisip

Nagsimula ang chain-of-thought bilang prompt trick at naging feature ng model.

## Paano ito gumagana

Inilathala nina Wei at mga kasama ang method noong 2022. Sa halip na few-shot examples na tanong at sagot lang ang ipinapakita, sumulat sila ng mga halimbawang ipinapakita ang mga hakbang sa pagitan. Sa walong ganoong halimbawa, umabot sa state-of-the-art na accuracy ang isang 540-billion-parameter model sa GSM8K, isang set ng math word problems pang-grade school, at nalampasan ang fine-tuned na GPT-3 na may verifier. Sinubok nila ang arithmetic, commonsense at symbolic reasoning.

Isang chain-of-thought na halimbawa sa prompt:

```text
Q: A shop has 23 apples. It uses 20 and buys 6 more. How many are left?
A: It starts with 23. After using 20 it has 3. After buying 6 it has 9. The answer is 9.
```

Kapag isinulat ang mga hakbang, mas maraming token ng computation ang model bago ito magpasya sa sagot, at nakaaapekto ang bawat hakbang sa susunod. Isa itong anyo ng [few-shot prompting](https://broadrouter.com/fil/glossary/few-shot-prompting/) kung saan method ang itinuturo ng mga halimbawa, hindi lang format.

## Paano ito isinasaloob ng mga reasoning model

Tine-train ang mga reasoning model para sila mismo ang gumawa ng ganitong hakbang-hakbang na text. Sinasabi ng gabay ng OpenAI na “use internal reasoning tokens before producing a response” (Salin ng BroadRouter: “gumagamit sila ng internal na reasoning tokens bago bumuo ng sagot”) ang mga ito, at hindi nakikita ang mga token na iyon sa API nito pero gumagamit pa rin ng context at sinisingil bilang output. May mga open model na ibinabalik ang reasoning sa hiwalay na field. Tingnan ang [reasoning tokens](https://broadrouter.com/fil/glossary/reasoning-tokens/) para sa kung paano binibilang ang mga ito.

## Bakit ito mahalaga

-   **Accuracy.** Pinakanakikinabang ang mga task na maraming hakbang gaya ng math, planning at pag-aayos ng code. Kaunti lang ang naidudulot sa simpleng lookup.
-   **Gastos at latency.** Bawat hakbang ay isang [output token](https://broadrouter.com/fil/glossary/input-and-output-tokens/). Puwedeng mas mahal pa ang mahabang chain kaysa sa sagot.
-   **Hindi patunay.** Puwedeng mukhang tama ang mga nakasulat na hakbang pero mali pa rin, kaya hindi nito napipigilan ang [hallucination](https://broadrouter.com/fil/glossary/hallucination/).

## Sa BroadNet Inference

Ayon sa docs ng BroadNet, nagre-reason muna ang DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B bago sumagot, at kasama ang reasoning sa bilang ng [`max_tokens`](https://broadrouter.com/fil/glossary/max-tokens/). Mag-iwan ng 1,000 token o higit pa, o i-set ang `reasoning_effort` sa `low`; kapag maliit ang limit, puwedeng walang laman ang sagot. Kapag iniulat, ipinapakita ng `usage.completion_tokens_details.reasoning_tokens` kung ilan ang nagamit. Hindi nakalista sa docs ang BroadNet Gemma 4 VL 26B bilang reasoning model, kaya klasikong chain-of-thought prompting ang paraan para humingi rito ng mga hakbang. Saklaw ng [gabay sa empty response](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/) at ng post tungkol sa [gastos ng reasoning tokens](https://broadrouter.com/fil/blog/reasoning-tokens-cost/) ang pagba-budget.

## Mga tanong

### Pareho ba ang chain-of-thought at reasoning tokens?

Magkaugnay, pero hindi pareho. Ang chain-of-thought ay ang technique ng pagsusulat ng mga hakbang. Ang reasoning tokens ay ang binubuo ng reasoning model kapag ginagawa nito ito sa loob, at sinisingil ang mga ito bilang output.

### Dapat ko bang isulat ang "think step by step" para sa reasoning model?

Kadalasan hindi na kailangan. Nagre-reason na ang mga reasoning model bago sumagot. Payo ng gabay ng OpenAI na bigyan sila ng malinaw na layunin at mga constraint sa halip na idikta ang bawat hakbang.

### Mas mahal ba ang chain-of-thought?

Oo. Output tokens ang mga hakbang, na kadalasang pinakamahal na token, at nagdadagdag ang mga ito ng latency.

## Tingnan din

-   [Reasoning tokens](https://broadrouter.com/fil/glossary/reasoning-tokens/) (termino)
-   [Few-shot prompting](https://broadrouter.com/fil/glossary/few-shot-prompting/) (termino)
-   [max\_tokens](https://broadrouter.com/fil/glossary/max-tokens/) (termino)
-   [AI hallucination](https://broadrouter.com/fil/glossary/hallucination/) (termino)
-   [Input at output token (input and output tokens)](https://broadrouter.com/fil/glossary/input-and-output-tokens/) (termino)
-   [Bakit walang laman ang sagot ng isang reasoning model](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/) (gabay)
-   [Reasoning token: bakit mas maraming output ang binabayaran mo](https://broadrouter.com/fil/blog/reasoning-tokens-cost/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-chain-of-thought&utm_content=page-cta) ·

**Mga source**

-   [Wei et al. (2022), Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (sinuri noong 2026-11-16)](https://arxiv.org/abs/2201.11903)
-   [OpenAI, gabay sa reasoning models (sinuri noong 2026-11-16)](https://developers.openai.com/api/docs/guides/reasoning)
-   [API reference ng BroadNet Inference, reasoning at cached tokens (sinuri noong 2026-11-16) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-chain-of-thought&utm_content=sources)
