Introduction au raisonnement IA chez Mistral

Cours refondu le 2 novembre 2026. Ce cours avait été construit sur les modèles Magistral, qui sont tous retirés depuis le 31 juillet 2026. Chez Mistral, le raisonnement passe désormais par le paramètre reasoning_effort des modèles généralistes : Mistral Small 4, Mistral Large 4, et Mistral Medium 3.5 (déprécié, retrait le 30 avril 2027). Les douze leçons ont été réécrites d’après la documentation officielle : Reasoning · Models.

Pourquoi le raisonnement change la donne

Lorsque vous posez une question complexe à un modèle de langage classique, celui-ci génère sa réponse token par token, sans véritable phase de réflexion. Pour une reformulation ou une question factuelle, le résultat est souvent correct. Face à un problème multi-étapes ou à un raisonnement logique exigeant, il se dégrade nettement : le modèle s’engage dans une direction dès les premiers mots et n’a aucun espace pour se corriger.

Le raisonnement (reasoning) change cette dynamique. La documentation de Mistral le présente comme l’étape suivante de la chaîne de pensée (chain of thought) : le modèle a été entraîné à produire librement une chaîne de réflexion avant sa réponse finale. Il explore le problème plus en profondeur et, en dépensant davantage de calcul au moment de répondre, améliore sa solution. On parle de Test Time Computation : investir du calcul à l’inférence, et non plus seulement à l’entraînement.

Ce que coûte et rapporte la réflexion

Le principe tient en une phrase : plus un modèle réfléchit avant de répondre, meilleure est sa réponse sur les tâches complexes. Concrètement, il génère des traces de réflexion (thinking traces) : hypothèses, calculs intermédiaires, vérifications, retours en arrière. Ces tokens supplémentaires se paient en temps et en budget. Dans l’exemple de la documentation officielle, une petite énigme d’âges posée à Mistral Small 4 avec un raisonnement poussé consomme 77 tokens en entrée et 1 114 en sortie, pour une réponse finale de quelques lignes : l’essentiel de la facture, c’est la réflexion.

Le raisonnement excelle sur les cas d’usage complexes, à commencer par les mathématiques et le code, mais il sert dans bien d’autres situations : analyse, planification, prise de décision.

Prenez un problème classique pour mesurer l’écart. Un père a trois enfants, le produit de leurs âges est 36, la somme de leurs âges est le numéro de la maison du voisin, et le plus grand joue du piano. Quels sont leurs âges ? Sans raisonnement, un modèle tente de deviner et tombe rarement juste. Avec le raisonnement, il énumère les décompositions de 36 en trois facteurs, calcule la somme de chacune, repère que deux d’entre elles partagent la même somme (1, 6, 6 et 2, 2, 9 donnent toutes deux 13 : c’est l’ambiguïté que suppose l’énoncé), puis se sert de l’indice du « plus grand » pour la lever : 2, 2 et 9 ans.

La structure d’une réponse avec raisonnement

Quand le raisonnement est actif, la réponse n’est plus une simple chaîne de caractères. Le champ message.content devient une liste de fragments (chunks) : d’abord un fragment de réflexion, de type thinking, qui contient lui-même une liste de fragments texte ; puis un fragment de type text, qui porte la réponse finale. Voici la forme renvoyée par l’API, simplifiée :

{
  "role": "assistant",
  "content": [
    {
      "type": "thinking",
      "thinking": [
        {"type": "text", "text": "... traces de réflexion ..."}
      ]
    },
    {"type": "text", "text": "... réponse finale ..."}
  ]
}

Cette séparation est précieuse : elle vous permet de montrer ou de masquer la réflexion selon votre application. Un tuteur pédagogique affichera les traces ; un assistant grand public ne montrera que la conclusion. La leçon 3 détaille la lecture de ces fragments, y compris en streaming.

Le raisonnement chez Mistral en novembre 2026

Mistral a d’abord proposé une gamme dédiée, Magistral (Small et Medium, versions 25.06, 25.07 puis 25.09), où la réflexion était toujours active. Cette gamme est aujourd’hui entièrement retirée : le raisonnement est devenu une capacité des modèles généralistes, que l’on règle requête par requête avec le paramètre reasoning_effort.

Mistral Small 4 est décrit par sa fiche officielle comme un modèle hybride qui réunit instruction, raisonnement et code dans un seul modèle. C’est le point de départ naturel de ce cours. Mistral Large 4 apporte une échelle à trois niveaux et une fenêtre de contexte d’un million de tokens ; il reste en Public Preview, ce qui invite à la prudence en production. La leçon 5 compare ces modèles en détail.

Quand utiliser le raisonnement

Le raisonnement n’est pas nécessaire partout, et l’activer systématiquement revient à payer une prime d’assurance sur des trajets sans risque. Il apporte une réelle valeur sur les mathématiques, la logique, le debugging, l’analyse comparative, la planification et les problèmes multi-étapes. Il est superflu pour une traduction simple, une reformulation, une question factuelle directe ou du texte créatif court.

Tout l’enjeu tient dans l’équilibre entre qualité et consommation de tokens. Le cours avance en trois temps : régler et lire le raisonnement (leçons 1 à 4), choisir le modèle, bien le prompter et migrer depuis Magistral (leçons 5 à 8), puis l’appliquer aux mathématiques, au code et à la décision (leçons 9 à 12).

Points clés à retenir

• Le Test Time Computation investit du calcul à l’inférence pour améliorer les réponses complexes
• Avec le raisonnement, message.content devient une liste : un fragment thinking (la réflexion) puis un fragment text (la réponse)
• La gamme Magistral est retirée depuis le 31 juillet 2026 : le raisonnement se règle avec reasoning_effort
• Mistral Small 4 (mistral-small-2603) est le point de départ ; Mistral Large 4 (mistral-large-4-0) vise les cas les plus exigeants
• Le raisonnement se justifie sur les maths, le code et la décision, pas sur les tâches simples