# Անջատե՞լ thinking-ը. ինչ արժե reasoning ռեժիմը լոկալ LLM-ի վրա՝ չափված

> Reasoning ռեժիմը լոկալ մոդելի վրա առաջին տեսանելի բառը հապաղեցնում է աչքի թարթումից մինչև սպասում և բազմապատկում ավտոմատացման գինը, իսկ մեր gate-երի կոշտ ճիշտ պատասխանով ամեն խնդրի վրա ոչինչ չգնեց։ Չափված փոխանակումը և այն սահմանը, որտեղից խորհուրդն այլևս չի գործում։

- Published: 2026-08-20
- Evidence level: lab_repeated
- Funding: Սեփական ֆինանսավորում, ներքին հետազոտություն
- Canonical: https://agmind.ai/hy/reports/should-you-disable-thinking-local-llm/

Կարճ, չափված պատասխանը. առօրյա չաթի և կառուցվածքային ավտոմատացման համար
այս տուփի վրա thinking ռեժիմը ոչինչ չգնեց, որ մեր gate-երը կարողանային
նկատել, իսկ արժեցավ մեկից երկու մեծության կարգի սպասում։ Այս workload-ների
համար ճիշտ լռելյայն ընտրությունը անջատելն է։ Թվերը և այդ խորհրդի ազնիվ
սահմանը՝ ստորև։

Ամեն reasoning-ունակ լոկալ մոդել գալիս է նույն լուռ հարցով. thinking-բլոկը
թողնե՞լ միացրած, թե՞ ճնշել։ Վեճը սովորաբար ընթանում է զգացողությունների
վրա — «ավելի խելացի է թվում»-ն ընդդեմ «դանդաղ է զգացվում»-ի։ Երկու
զգացողություններն էլ չափելի հիմք ունեն, բայց դրանցից միայն մեկը մեր
gate-երից ողջ դուրս եկավ։

## Որքա՞ն սպասել մինչև առաջին տեսանելի բառը

Reasoning-ն անջատած՝ ասիստենտի առաջին պատասխան-թոքենը հասնում է
**210 ms** ([strix.qwen36.interactive2.c1.ttfa-nothink](https://agmind.ai/claims/strix.qwen36.interactive2.c1.ttfa-nothink/))-ում — աչքի
մի թարթում։ Reasoning-ը միացրած՝ նույն մոդելը նույն տուփի վրա իր առաջին
տեսանելի բառն ասելու համար ծախսում է
**20191 ms** ([strix.qwen36.interactive2.c1.ttfa-thinking](https://agmind.ai/claims/strix.qwen36.interactive2.c1.ttfa-thinking/))։ Ոչ թե
ավարտելու համար — սկսելու։

Ուշադրություն մետրիկային. ժամանակ մինչև առաջին *պատասխան*-թոքենը։
Dashboard-ը, որը դիտում է ժամանակը մինչև ընդհանրապես առաջին թոքենը, երկու
ռեժիմն էլ ցույց կտար գրեթե ակնթարթային, որովհետև thinking-հոսքը սկսվում է
անմիջապես — պարզապես այն ուղղված չէ օգտվողին։ Այդ չափողական ճեղքը
[առանձին հաշվետվություն է](https://agmind.ai/hy/reports/ttft-thinking-model-strix-halo/)։

## Ի՞նչ արժե սա ավտոմատացման համար

Չաթը ուշացումը թաքցնում է streaming-ի հետևում; pipeline-ը՝ ոչ։ Խիստ JSON
խնդիրը end-to-end ավարտվում է
**844 ms** ([strix.qwen36.structured.c1.e2e-nothink](https://agmind.ai/claims/strix.qwen36.structured.c1.e2e-nothink/))-ում
reasoning-ն անջատած՝ ընդդեմ
**14677 ms** ([strix.qwen36.structured.c1.e2e-think4k](https://agmind.ai/claims/strix.qwen36.structured.c1.e2e-think4k/))-ի՝ ստանդարտ
thinking-բյուջեով։ Ավտոմատ կանչերի հերթի համար այդ բազմապատիկը գործիքի և
bottleneck-ի տարբերությունն է։

## Ի՞նչ գնեց thinking-ը

Մեր gate-երի վրա՝ ոչինչ նկատելի։ Խիստ JSON խնդրի հաջողությունը — ելքը
պարսվում է, ամեն բանալիով համընկնում է ground truth-ի հետ — reasoning-ն
անջատած վերադարձավ
**100.0 % of requests** ([strix.qwen36.structured.c1.task-success-nothink](https://agmind.ai/claims/strix.qwen36.structured.c1.task-success-nothink/)),
միացրած՝
**100.0 % of requests** ([strix.qwen36.structured.c1.task-success-think4k](https://agmind.ai/claims/strix.qwen36.structured.c1.task-success-think4k/))։
Առօրյա ասիստենտի կորպուսը նույն պատկերը ցույց տվեց իր ֆորմատի, լեզվի և
կրկնությունների gate-երի միջով։ Նույնական որակ՝ ժամանակով մեկից երկու
մեծության կարգ իրարից հեռու։

## Որտե՞ղ է ավարտվում այս խորհուրդը

Նախքան վճիռը մեջբերելը կարդացեք շրջանակը։ Մեր կորպուսներն առօրյա
հարցումներ են և դետերմինիստական կարճ խնդիրներ՝ փակ պիտակների
բազմություններով — workload-ներ, որտեղ պատասխանը ստուգելի է, և մոդելն այն
արդեն գիտի։ Իսկապես բարդ խնդիրները — բազմաքայլ մաթեմատիկա, նոր
պլանավորում — հենց այն տեղն են, որտեղ reasoning ռեժիմներն արդարացնում են
իրենց, և մեր workload-ները դրանք չեն զոնդում։ Ազնիվ պնդումը նեղ է. եթե
ձեր բեռը նման է չաթի ու կառուցվածքային ավտոմատացման, thinking-ը հարկ է
առանց չափված վերադարձի; եթե ձեր բեռը բարդ reasoning է, այս էջը ձեր
ապացույցը չէ։

Կա նաև ձախողման ռեժիմ, որն արժե իմանալ, նախքան thinking-ը կթողնեք
միացրած փոքր թոքենային բյուջեով. մոդելը կարող է ամբողջ բյուջեն ծախսել
դատողությունների վրա և HTTP 200-ի տակ վերադարձնել դատարկ պատասխան։ Մենք
դա չափեցինք սառեցված workload-ի վրա, իսկ հետո
[հանդիպեցինք դրան կենդանի՝ մեր սեփական տուփի վրա](https://agmind.ai/hy/essays/dashboard-lies-both-directions/)։
Եթե reasoning-ը թողնում եք միացրած, դա հաշվի առեք բյուջեում։

## Ինչպե՞ս իրականում անջատել այն

Մեխանիկան տարբեր է ըստ runtime-ի և template-ի. llama.cpp-ն ընդունում է
chat-template-ի փոխարկիչ այն մոդելների համար, որոնց template-ները դա
պահում են, և reasoning-մոդելների մեծ մասը հարգում է բացահայտ no-think
հրահանգը կամ reasoning-բյուջեի կարգավորումը։ Ստուգեք աշխատող սերվերի, ոչ
թե փաստաթղթերի վրա — հարցրեք նրան, թե ինչ template և կարգավորումներ է
փաստացի կիրառում, հետո ուղարկեք մեկ հարցում և նայեք՝ reasoning-բլոկ
հայտնվո՞ւմ է։ Այս մոդելի կողք կողքի մատրիցը
[համեմատության էջում է](https://agmind.ai/hy/compare/thinking-vs-no-thinking-qwen36/)։

Վերևի ամեն թիվ ունի մշտական էջ՝ շրջանակով, սահմանափակումներով և հում
գործարկումներով. [claim-երի ռեեստրը](https://agmind.ai/hy/claims/)։

---

Machine-readable claim registry: https://agmind.ai/claims.json · llms.txt: https://agmind.ai/llms.txt