---
title: "Empty LLM response? Reasoning tokens at max_tokens | BroadRouter"
description: "Nag-iisip muna ang DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B bago sumagot, at kasama ang reasoning sa max_tokens. Paano maiiwasan ang mga empty reply."
url: https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/
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/guides/reasoning-tokens-empty-response/) (na-update noong 2026-11-16).

# Bakit walang laman ang sagot ng isang reasoning model

Na-update 2026-11-16

Naubos ng model ang buong max\_tokens budget sa reasoning bago pa nito masimulan ang nakikitang sagot. Sa BroadNet Inference, nagre-reason muna ang DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B, at kasama ang reasoning sa max\_tokens. Maglaan ng 1,000 token o higit pa, o i-set ang reasoning\_effort sa low.

Nagpadala ka ng maikling prompt na may `max_tokens: 100`, nagtagumpay ang request, pero walang laman ang `choices[0].message.content`. Walang sira: hindi lang talaga nagsimula ang sagot.

## Ano ang nangyayari

Sumusulat muna ang mga reasoning model ng nakatagong chain of thought bago ang nakikitang sagot. Iisang `max_tokens` budget ang pinaghahatian ng dalawa. Kapag maliit ang limit, nauubos ito ng reasoning, at sa karaniwang format ng chat completions, `length` ang magiging `finish_reason`.

## Tatlong ayos

**1\. Maglaan ng espasyo.** I-set ang `max_tokens` sa 1,000 o higit pa, gaya ng payo ng docs ng BroadNet. Kinukuwenta ng [max\_tokens calculator para sa mga reasoning model](https://broadrouter.com/tools/reasoning-token-budget/) ang limit para sa haba ng sagot mo at ipinapakita ang gastos.

**2\. Bawasan ang reasoning.** I-set ang `reasoning_effort` sa `low` para sa mga simpleng task:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

response = client.chat.completions.create(
    model="broadnet/deepseek-v4.1-flash",
    reasoning_effort="low",
    max_tokens=1000,
    messages=[{"role": "user", "content": "Classify: 'refund my order' -> intent?"}],
)
```

**3\. Bantayan ang usage.** Kapag iniuulat ito ng model, ipinapakita ng `usage.completion_tokens_details.reasoning_tokens` kung gaano karami ang napunta sa reasoning:

```python
print(response.choices[0].finish_reason)                       # "length" means the budget ran out
details = response.usage.completion_tokens_details             # None if the model doesn't report it
print(details.reasoning_tokens if details else "not reported")
```

Sa isang stream, idagdag ang `stream_options={"include_usage": True}` at darating ang parehong usage sa huling chunk. Tingnan ang [streaming chat completions](https://broadrouter.com/fil/guides/streaming-chat-completions/).

## Aling mga model ang nagre-reason

| Model | Nagre-reason muna |
| --- | --- |
| DeepSeek V4.1 Flash (`broadnet/deepseek-v4.1-flash`) | Oo |
| GLM 5.3 (`broadnet/glm-5.3`) | Oo |
| Qwen3.8 27B (`broadnet/qwen3.8-27b`) | Oo |
| BroadNet Gemma 4 VL 26B (`broadnet/gemma-4-26b-a4b`) | Hindi nakalista |

## Troubleshooting

-   **Walang lamang `content`, `length` ang `finish_reason`.** Taasan ang `max_tokens` o i-set ang `reasoning_effort` sa `low`.
-   **Walang lamang `content`, `stop` ang `finish_reason`.** Hindi ang limit ang dahilan. Suriin ang prompt mo at i-print ang buong response para makita kung ano ang bumalik.
-   **`AttributeError` sa `completion_tokens_details`.** Hindi iniulat ng model ang breakdown para sa request na iyon; mag-check para sa `None` gaya ng nasa example sa itaas.
-   **Mabagal ang unang token sa isang stream.** Nagre-reason pa ang model bago isulat ang sagot. Puwedeng paikliin ng mas mababang `reasoning_effort` ang paghihintay.

Kung buong araw kang nagpapatakbo ng mga agent, nag-iipon ang reasoning tokens sa pay-as-you-go. Ipinapakita ng [pricing calculator ng BroadNet](https://broadrouter.com/fil/pricing/) kung kailan mas mura ang flat na [unlimited na plan](https://broadrouter.com/fil/guides/unlimited-llm-api-sessions/).

## Mga termino sa gabay na ito

[Token](https://broadrouter.com/fil/glossary/token/)

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[Chat Completions API](https://broadrouter.com/fil/glossary/chat-completions-api/)

Ang Chat Completions API ay HTTP endpoint ng OpenAI, POST /v1/chat/completions, na tumatanggap ng pangalan ng model at listahan ng mga message na may role, at ibinabalik ang susunod na message ng model. Ang hugis ng request at response nito ang naging karaniwang format na ginagamit din ng mga OpenAI-compatible na provider at SDK.

[Reasoning tokens](https://broadrouter.com/fil/glossary/reasoning-tokens/)

Ang reasoning tokens ay mga token na binubuo ng isang reasoning model para pag-isipan ang isang problema bago nito isulat ang nakikitang sagot. Kadalasang sinisingil ang mga ito bilang output token, binibilang sa output limit at sa context window, at puwedeng itago o ibuod ng API.

[AI agent](https://broadrouter.com/fil/glossary/agent/)

Ang AI agent ay isang system kung saan ang language model mismo ang nagdidirekta ng mga hakbang nito tungo sa isang layunin: pinipili nito kung aling tools ang tatawagin, binabasa ang mga resulta at umuulit hanggang makabuo ng huling sagot o maabot ang limit. Workflow naman ang karaniwang tawag sa fixed na script na tumatawag sa model sa takdang punto.

[Flat-rate LLM plan (unlimited na plan)](https://broadrouter.com/fil/glossary/flat-rate-llm-plan/)

Ang flat-rate LLM plan ay naniningil ng fixed na presyo para sa isang period, gaya ng isang buwan, para sa access sa language model API sa halip na maningil kada token. Kadalasang may ibang nililimitahan ang ganitong plan, gaya ng concurrency, bilis, mga model o usage window, kaya kasinghalaga ng presyo ang mga limit.

[max\_tokens](https://broadrouter.com/fil/glossary/max-tokens/)

Ang max\_tokens ay isang parameter ng LLM API na nagtatakda ng pinakamaraming token na puwedeng isulat ng model sa isang response. Kapag naabot ang limit, humihinto ang pagbuo ng sagot at minamarkahang naputol ang response, halimbawa may finish\_reason na "length".

[Pay-as-you-go](https://broadrouter.com/fil/glossary/pay-as-you-go/)

Ang pay-as-you-go ay paraan ng pagpepresyo kung saan ang nagamit mo lang ang binabayaran mo, sinusukat kada yunit gaya ng token, request o minuto ng audio, nang walang subscription o minimum na commitment. Ganito naniningil ang karamihan ng LLM API, mula sa prepaid na balance o sa pana-panahong invoice.

[Streaming](https://broadrouter.com/fil/glossary/streaming/)

Ang streaming ay paraan ng pagbabalik ng sagot ng language model nang paunti-unting chunk habang binubuo pa ito, sa halip na iisang sagot sa dulo. Sa mga OpenAI-compatible na API, dumadaan ang streaming sa server-sent events kapag naka-set sa true ang stream sa request.

## Mga tanong

### May bayad ba ang reasoning?

Sa pay-as-you-go, iniuulat ang reasoning sa loob ng completion tokens, na sinisingil sa presyo ng output. Sa unlimited na plan para sa DeepSeek V4.1 Flash, walang token meter, kaya walang dagdag na bayad ang mga ito.

### Nagre-reason ba ang BroadNet Gemma 4 VL 26B?

Nakalista sa docs ng BroadNet ang reasoning para sa DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B, hindi para sa Gemma 4 VL 26B.

### Bakit walang laman ang message content kapag length ang finish\_reason?

Naubos ang token budget bago pa nagsimula ang nakikitang sagot. Isinusulat muna ng reasoning model ang reasoning nito, at kasama ang mga token na iyon sa max\_tokens. Taasan ang max\_tokens sa 1,000 o higit pa, o babaan ang reasoning\_effort.

### Ano ang ginagawa ng reasoning\_effort na low?

Hinihiling nito sa model na mas kaunti ang reasoning bago sumagot. Iminumungkahi ito ng docs ng BroadNet bilang alternatibo sa mas malaking max\_tokens kapag walang laman ang sagot dahil sa maikling limit. Gamitin ito sa mga simpleng task gaya ng classification o extraction.

### Paano ko makikita kung ilang token ang napunta sa reasoning?

Basahin ang usage.completion\_tokens\_details.reasoning\_tokens sa response, kung iniuulat ito ng model. Sa isang stream, ipadala ang stream\_options na may include\_usage na true at basahin ito mula sa huling chunk.

## Mga kaugnay na gabay

-   [Paano gamitin ang OpenAI Python SDK sa BroadNet Inference](https://broadrouter.com/fil/guides/openai-python-sdk/)
-   [Paano mag-stream ng chat completions at ayusin ang naputol na stream](https://broadrouter.com/fil/guides/streaming-chat-completions/)
-   [Mga error code ng BroadNet Inference at kailan dapat mag-retry](https://broadrouter.com/fil/guides/errors-and-retries/)

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-guides-reasoning-tokens-empty-response&utm_content=page-cta) ·

**Mga source**

-   [API reference ng BroadNet Inference, reasoning at cached tokens (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-reasoning-tokens-empty-response&utm_content=sources#models)
