---
title: "Chain-of-thought پرامپٹنگ کیا ہے؟ CoT اور ریزننگ ماڈلز"
description: "Chain-of-thought پرامپٹنگ LLM سے جواب سے پہلے مراحل لکھواتی ہے۔ یہ کہاں سے آئی، کیوں مدد کرتی ہے، اور ریزننگ ماڈلز اب یہ خود کیسے کرتے ہیں۔"
url: https://broadrouter.com/ur/glossary/chain-of-thought/
lang: ur
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/glossary/chain-of-thought/) (اپ ڈیٹ: 2026-11-16).

# چین آف تھاٹ (chain-of-thought، CoT)

اپ ڈیٹ 2026-11-16

Chain-of-thought (CoT) ایک پرامپٹنگ تکنیک ہے جس میں لینگویج ماڈل کو حتمی جواب سے پہلے درمیانی ریزننگ مراحل لکھ کر دکھائے جاتے ہیں یا لکھنے کو کہا جاتا ہے۔ اس سے حساب اور منطق جیسے کئی مرحلوں والے مسائل پر درستی بڑھتی ہے، اور ریزننگ ماڈلز اب اسے خود بخود بناتے ہیں۔

دوسرے نام: چین آف تھاٹ، قدم بہ قدم پرامپٹنگ، chain of thought kya hai، cot prompting kya hai، CoT، chain-of-thought prompting، step-by-step prompting، CoT prompting

Chain-of-thought ایک پرامپٹ ٹرک کے طور پر شروع ہوا اور ماڈل کا فیچر بن گیا۔

## یہ کیسے کام کرتا ہے

Wei اور ساتھیوں نے یہ طریقہ 2022 میں شائع کیا۔ صرف سوال اور جواب دکھانے والی few-shot مثالوں کے بجائے انہوں نے ایسی مثالیں لکھیں جو درمیانی مراحل دکھاتی تھیں۔ ایسی آٹھ مثالوں کے ساتھ 540 ارب پیرامیٹر والے ایک ماڈل نے GSM8K پر، جو اسکول کی سطح کے ریاضی کے لفظی سوالات کا سیٹ ہے، state-of-the-art درستی حاصل کی، اور verifier والے fine-tuned GPT-3 سے آگے نکلا۔ انہوں نے حساب، عام فہم (commonsense) اور symbolic ریزننگ آزمائی۔

پرامپٹ میں chain-of-thought کی ایک مثال:

```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.
```

مراحل لکھنے سے ماڈل کو جواب طے کرنے سے پہلے حساب کے لیے زیادہ ٹوکن ملتے ہیں، اور ہر قدم اگلے کی سمت طے کرتا ہے۔ یہ [few-shot پرامپٹنگ](https://broadrouter.com/ur/glossary/few-shot-prompting/) کی ایک شکل ہے، جس میں مثالیں صرف فارمیٹ نہیں، طریقہ سکھاتی ہیں۔

## ریزننگ ماڈلز نے اسے اندر کیسے سمو لیا

ریزننگ ماڈلز یہ قدم بہ قدم متن خود بنانے کے لیے تربیت یافتہ ہوتے ہیں۔ OpenAI کی گائیڈ کہتی ہے کہ وہ “use internal reasoning tokens before producing a response” (ترجمہ: جواب بنانے سے پہلے اندرونی ریزننگ ٹوکن استعمال کرتے ہیں)، اور یہ ٹوکن اس کے API میں نظر نہیں آتے، پھر بھی کانٹیکسٹ لیتے ہیں اور آؤٹ پٹ کے طور پر بل ہوتے ہیں۔ کچھ اوپن ماڈل ریزننگ کو ایک الگ فیلڈ میں لوٹاتے ہیں۔ یہ کیسے گنے جاتے ہیں، اس کے لیے [ریزننگ ٹوکن](https://broadrouter.com/ur/glossary/reasoning-tokens/) دیکھیں۔

## یہ کیوں اہم ہے

-   **درستی۔** ریاضی، منصوبہ بندی اور کوڈ کی درستی جیسے کئی مرحلوں والے کاموں کو سب سے زیادہ فائدہ ہوتا ہے۔ سیدھے لک اپ کو کم۔
-   **لاگت اور latency۔** ہر قدم ایک [آؤٹ پٹ ٹوکن](https://broadrouter.com/ur/glossary/input-and-output-tokens/) ہے۔ لمبی چین جواب سے زیادہ مہنگی پڑ سکتی ہے۔
-   **ثبوت نہیں۔** لکھے ہوئے مراحل درست لگ سکتے ہیں اور پھر بھی غلط ہو سکتے ہیں، اس لیے یہ [ہیلوسینیشن](https://broadrouter.com/ur/glossary/hallucination/) نہیں روکتے۔

## BroadNet Inference پر

BroadNet کی دستاویزات کہتی ہیں کہ DeepSeek V4.1 Flash، GLM 5.3 اور Qwen3.8 27B جواب سے پہلے ریزن کرتے ہیں، اور ریزننگ [`max_tokens`](https://broadrouter.com/ur/glossary/max-tokens/) میں گنی جاتی ہے۔ 1,000 یا اس سے زیادہ ٹوکن چھوڑیں، یا `reasoning_effort` کو `low` کریں؛ چھوٹی حد پر جواب خالی آ سکتا ہے۔ جب رپورٹ ہو تو `usage.completion_tokens_details.reasoning_tokens` بتاتا ہے کہ کتنے استعمال ہوئے۔ دستاویزات BroadNet Gemma 4 VL 26B کو ریزننگ ماڈل کے طور پر درج نہیں کرتیں، اس لیے اس سے مراحل مانگنے کا طریقہ کلاسیکی chain-of-thought پرامپٹنگ ہے۔ [خالی جواب گائیڈ](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/) اور [ریزننگ ٹوکن کی لاگت](https://broadrouter.com/ur/blog/reasoning-tokens-cost/) والی پوسٹ بجٹ بنانا سمجھاتی ہیں۔

## عام سوالات

### کیا chain-of-thought اور ریزننگ ٹوکن ایک ہی ہیں؟

متعلق ہیں، ایک نہیں۔ Chain-of-thought مراحل لکھنے کی تکنیک ہے۔ ریزننگ ٹوکن وہ ہیں جو ریزننگ ماڈل یہی کام اندرونی طور پر کرتے ہوئے بناتا ہے، اور ان کا بل آؤٹ پٹ کے طور پر لگتا ہے۔

### کیا ریزننگ ماڈل کے لیے "think step by step" لکھنا چاہیے؟

عموماً ضروری نہیں۔ ریزننگ ماڈل جواب سے پہلے پہلے ہی ریزن کرتے ہیں۔ OpenAI کی گائیڈ ہر قدم طے کرنے کے بجائے انہیں واضح ہدف اور شرائط دینے کا مشورہ دیتی ہے۔

### کیا chain-of-thought زیادہ مہنگا پڑتا ہے؟

ہاں۔ مراحل آؤٹ پٹ ٹوکن ہوتے ہیں، جو عموماً سب سے مہنگے ٹوکن ہیں، اور یہ latency بھی بڑھاتے ہیں۔

## یہ بھی دیکھیں

-   [ریزننگ ٹوکن (reasoning tokens)](https://broadrouter.com/ur/glossary/reasoning-tokens/) (اصطلاح)
-   [فیو شاٹ پرامپٹنگ (few-shot prompting)](https://broadrouter.com/ur/glossary/few-shot-prompting/) (اصطلاح)
-   [max\_tokens (آؤٹ پٹ ٹوکن کی حد)](https://broadrouter.com/ur/glossary/max-tokens/) (اصطلاح)
-   [ہیلوسینیشن (hallucination)](https://broadrouter.com/ur/glossary/hallucination/) (اصطلاح)
-   [ان پٹ اور آؤٹ پٹ ٹوکن (input and output tokens)](https://broadrouter.com/ur/glossary/input-and-output-tokens/) (اصطلاح)
-   [ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/) (گائیڈ)
-   [ریزننگ ٹوکنز: نظر آنے سے زیادہ آؤٹ پٹ کی ادائیگی کیوں ہوتی ہے](https://broadrouter.com/ur/blog/reasoning-tokens-cost/) (مضمون)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [Wei اور ساتھی (2022)، Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (جانچ: 2026-11-16)](https://arxiv.org/abs/2201.11903)
-   [OpenAI، ریزننگ ماڈلز گائیڈ (جانچ: 2026-11-16)](https://developers.openai.com/api/docs/guides/reasoning)
-   [BroadNet Inference API ریفرنس، ریزننگ اور کیش شدہ ٹوکن (جانچ: 2026-11-16) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-glossary-chain-of-thought&utm_content=sources)
