Modèles de raisonnement
Certains modèles « réfléchissent » avant de répondre en produisant un raisonnement intermédiaire. Ils valent leur surcoût sur les problèmes à plusieurs étapes, pas sur les tâches simples.
- raisonnement
- reasoning
- réflexion
- thinking
- effort
- chaîne de pensée
Syntaxe
Mode réflexion : le modèle génère des tokens de raisonnement avant sa réponse (souvent masqués, mais facturés)Réglage courant : niveau d'effort ou budget de réflexion (faible, moyen, élevé)Bon usage : mathématiques, logique, débogage, planification, analyse croisée de documentsMauvais usage : reformulation, extraction simple, classification, réponse instantanée attendueExemple
Analyste financier, deux demandes :1. « Reformule ce paragraphe pour le rapport » → modèle standard Résultat attendu : réponse en quelques secondes, qualité équivalente.2. « Pourquoi le rapprochement bancaire et le grand livre diffèrent-ils de 1 240 € ? » (trois fichiers, écritures croisées) → mode réflexion, effort élevé Résultat attendu : réponse plus lente et plus coûteuse, mais qui retrouve les deux écritures saisies en double au lieu d'une explication plausible et fausse.À retenir
- Commencez avec un modèle standard et passez au raisonnement seulement si votre évaluation montre un gain : le surcoût en tokens et en latence est réel.
- Avec ces modèles, décrivez précisément le problème et le résultat attendu plutôt que d'ajouter « réfléchis étape par étape » : ils le font déjà.
- Le raisonnement affiché n'est pas une preuve : il peut être convaincant et faux. Vérifiez le résultat final comme n'importe quelle sortie.
- Piège : activer l'effort maximal partout. Dans une interface interactive, une attente de plusieurs dizaines de secondes dégrade l'usage sans rien apporter aux tâches simples.
Voir aussi
- Coût et latenceChaque appel se paie en tokens et en secondes. Un bon système envoie un contexte réduit, réutilise un début de prompt en cache et réserve le modèle le plus puissant aux étapes qui l'exigent.
- Choisir un modèle et un outilIl n'existe pas de meilleur modèle dans l'absolu : on part de la tâche, on en déduit des critères (contexte, raisonnement, multimodal, coût, hébergement), puis on teste deux ou trois candidats.
- Évaluer un système LLMOn n'améliore pas ce qu'on ne mesure pas : un jeu de cas de test avec des critères explicites, rejoué à chaque changement de prompt ou de modèle, remplace l'impression que « c'est mieux ».