Chaîne de Pensée (Chain of Thought)

Raisonner étape par étape

La chaîne de pensée (Chain of Thought, ou CoT) est une technique qui consiste à demander au modèle de décomposer son raisonnement en étapes explicites avant de donner sa réponse finale. Au lieu de sauter directement à la conclusion, le modèle détaille son processus de réflexion, ce qui améliore significativement la qualité des réponses pour les tâches complexes.

Cette approche est particulièrement efficace pour les problèmes de logique, les calculs, les analyses multicritères, et toutes les tâches qui nécessitent un raisonnement en plusieurs étapes.

Pourquoi la chaîne de pensée fonctionne

Quand vous demandez à Grok de résoudre un problème directement, il génère la réponse la plus probable sans nécessairement vérifier sa cohérence. En lui demandant de raisonner étape par étape, vous l’obligez à :

1. Décomposer le problème en sous-problèmes
2. Résoudre chaque sous-problème séquentiellement
3. Vérifier la cohérence entre les étapes
4. Arriver à une conclusion fondée sur le raisonnement

Exemple sans chaîne de pensée

Q : Un magasin vend des t-shirts à 25 euros. Avec une remise de 20% et une TVA de 20%, quel est le prix final ?
R : 24 euros.

Exemple avec chaîne de pensée

Q : Un magasin vend des t-shirts à 25 euros. Avec une remise de 20% et une TVA de 20%, quel est le prix final ? Raisonne étape par étape.
R :
1. Prix de base : 25 euros
2. Remise de 20% : 25 x 0.20 = 5 euros
3. Prix après remise : 25 - 5 = 20 euros
4. TVA de 20% : 20 x 0.20 = 4 euros
5. Prix final TTC : 20 + 4 = 24 euros
Le prix final est de 24 euros.

Le résultat peut être identique, mais le raisonnement explicite permet de vérifier chaque étape et de détecter d’éventuelles erreurs.

Les modèles de raisonnement de Grok

xAI propose des modèles spécialement conçus pour le raisonnement. Ces modèles intègrent nativement la chaîne de pensée sans que vous ayez à la demander explicitement.

grok-3-mini : contrôle de l’effort

Le modèle grok-3-mini dispose d’un paramètre reasoning_effort qui permet de doser la profondeur de réflexion :

{
  "model": "grok-3-mini",
  "messages": [{"role": "user", "content": "Résous cette équation : 3x + 7 = 22"}],
  "reasoning_effort": "high"
}

• low : raisonnement rapide, moins de tokens consommés, adapté aux questions simples
• high : raisonnement approfondi, plus de tokens, adapté aux problèmes complexes

grok-4.20-reasoning : raisonnement avancé

Les modèles grok-4 intègrent un raisonnement chiffré (encrypted reasoning). Le processus de réflexion n’est pas visible en clair, mais il est plus performant. Avec l’API Responses, vous pouvez contrôler l’effort via le paramètre reasoning :

{
  "model": "grok-4.20-reasoning",
  "input": "Analyse les avantages et inconvénients de la migration vers une architecture microservices",
  "reasoning": {
    "effort": "high"
  }
}

Les niveaux disponibles sont low, medium, et high.

Techniques de déclenchement

Même avec des modèles non-reasoning, vous pouvez activer la chaîne de pensée avec des formulations simples dans votre prompt :

• “Raisonne étape par étape avant de répondre”
• “Décompose ton raisonnement”
• “Explique ta démarche puis donne ta conclusion”
• “Pense à voix haute”

Dans le message système

{
  "role": "system",
  "content": "Tu es un analyste financier. Pour chaque question, tu décomposes ton raisonnement en étapes numérotées avant de donner ta conclusion finale."
}

Tokens de raisonnement et coûts

Les tokens de raisonnement sont comptabilisés dans l’utilisation et facturés comme des tokens de sortie. Ils apparaissent dans le champ reasoning_tokens de la réponse :

"usage": {
  "completion_tokens_details": {
    "reasoning_tokens": 150
  }
}

Le paramètre max_completion_tokens limite l’ensemble des tokens de sortie (réponse visible + raisonnement interne). Prévoyez une marge suffisante pour les modèles reasoning.

La documentation xAI recommande un timeout de 3 600 secondes pour les requêtes complexes avec des modèles de raisonnement.

Limites des modèles reasoning

Certains paramètres ne sont pas disponibles sur les modèles de raisonnement :

• frequency_penalty et presence_penalty : non supportés
• stop : non supporté
• Ces paramètres déclenchent une erreur si vous les incluez

Mise en pratique

Testez la même question avec et sans chaîne de pensée :

Sans CoT :

Un train part de Paris à 8h à 120 km/h. Un autre part de Lyon (470 km) à 9h à 150 km/h. À quelle heure se croisent-ils ?

Avec CoT :

Un train part de Paris à 8h à 120 km/h. Un autre part de Lyon (470 km) à 9h à 150 km/h. À quelle heure se croisent-ils ? Raisonne étape par étape en montrant tes calculs.

Comparez les réponses : la version avec chaîne de pensée sera plus fiable et vérifiable.

Points clés à retenir

• La chaîne de pensée améliore la fiabilité sur les tâches complexes en décomposant le raisonnement
• grok-3-mini offre un contrôle de l’effort de raisonnement (low/high)
• Les modèles grok-4 intègrent un raisonnement chiffré avec trois niveaux d’effort
• Les tokens de raisonnement sont facturés et comptent dans la limite de tokens de sortie
• Certains paramètres (penalties, stop) ne sont pas compatibles avec les modèles reasoning
• Ajoutez “raisonne étape par étape” dans vos prompts pour activer le CoT sur n’importe quel modèle