Премини към основното съдържание
Български— Изберете език
Меню

Параметърът reasoning_effort

Урок 2 от 12 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Задаване на дълбочината на мисълта
  2. Допустими стойности, модел по модел
  3. Имплементация на Python
  4. Избор на ниво според задачата
  5. Измерване на разходите
  6. Насочване според сложността
  7. Ограничения, които трябва да знаете
  8. Ключови изводи

Урокът е пренаписан на 2 ноември 2026 г. Предишната версия твърдеше, че reasoning_effort приема само две стойности и съществува единствено при Mistral Small. В действителност допустимите стойности зависят от модела, а Mistral Large 4 предлага три такива. Източник: Reasoning (документация на Mistral).

Задаване на дълбочината на мисълта

Настройваемото разсъждение се основава на прост принцип: Вие решавате, заявка по заявка, колко дълго моделът трябва да мисли, преди да отговори. Лостът за това се нарича reasoning_effort. Предавате го в API повикването на същото ниво като модела и съобщенията, без да са необходими други конфигурации.

Допустими стойности, модел по модел

Това е най-честата капан: допустимите стойности зависят от модела.

МоделДокументирани стойностиОфициална препоръка
Mistral Small 4 (mistral-small-2603)high, none—
Mistral Medium 3.5 (mistral-medium-3-5)high, nonehigh за агентни работни потоци и код
Mistral Large 4 (mistral-large-4-0)low, medium, highЗапочнете с high, след което преминете към medium или low, ако токеновете или латентността са по-важни

При Small 4 и Medium 3.5 стойността high генерира пълен фрагмент с разсъждения преди отговора, което води до по-висока консумация на токени; стойността none свежда разсъжденията до минимум и ги пропуска в отговора. При Large 4 скалата има три нива: low за прости задачи, medium за баланс между качество, токени и латентност, и high за сложни задачи. Large 4 не приема none: документацията уточнява, че нивото, което в предварителната версия се е наричало none, сега се нарича low.

Една последна нюанс: типът ReasoningEffort в SDK също изброява minimal, xhigh и max, защото изброението обхваща всеки модел на платформата (max се използва например от външния модел zai-glm-5-3). Фактът, че дадена стойност се появява в изброението, не означава, че Вашият модел я приема.

Имплементация на Python

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Mistral Small 4, дълбоко разсъждение
response_high = client.chat.complete(
    model="mistral-small-2603",
    messages=[{"role": "user", "content": "Solve x^3 - 6x^2 + 11x - 6 = 0 and verify each root."}],
    reasoning_effort="high",
)

# Mistral Small 4, директен отговор
response_none = client.chat.complete(
    model="mistral-small-2603",
    messages=[{"role": "user", "content": "What is the capital of Portugal?"}],
    reasoning_effort="none",
)

# Mistral Large 4, междинно ниво
response_medium = client.chat.complete(
    model="mistral-large-4-0",
    messages=[{"role": "user", "content": "Compare two caching strategies for a high-traffic API."}],
    reasoning_effort="medium",
)

Структурата на отговора се променя според настройката. При high, message.content е списък, който започва с фрагмент за разсъждение; при none, това е обикновен низ. Следователно Вашият код трябва да обработва и двете форми, както ще покаже следващият урок.

В TypeScript параметърът следва конвенцията за именуване на JavaScript и се записва като reasoningEffort:

import { Mistral } from '@mistralai/mistralai';

const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });

const response = await client.chat.complete({
  model: 'mistral-small-2603',
  messages: [{ role: 'user', content: 'Solve x^3 - 6x^2 + 11x - 6 = 0.' }],
  reasoningEffort: 'high',
});

Избор на ниво според задачата

Запазете дълбокото разсъждение за многоетапни математически задачи, сложно отстраняване на грешки в кода, сравнителен анализ, планиране, логически пъзели и оценка на риска. Те имат обща черта: възможни са множество пътища и изборът на грешния е скъп.

Изключете го (или намалете до най-ниското ниво) за прости фактологични въпроси, превод, парафразиране, директно извличане на информация и ежедневни разговори. Тук моделът няма какво да арбитрира: той просто извлича или трансформира, а една фаза на разсъждение би добавила само латентност.

Измерване на разходите

Разсъждението струва изходни токени. Примерът от официалната документация дава представа за мащаба: гатанка за възраст, изпратена до Mistral Small 4 с high, консумира 77 входни токена и 1114 изходни токена. При обявената тарифа за Small 4 от 0,15 щ.д. за милион входни токена и 0,60 щ.д. за милион изходни токена, заявката струва около 0,0007 щ.д. Това е незначително за единица, но при един милион подобни заявки самото разсъждение представлява няколкостотин долара, без никаква полза, ако половината въпроси не са се нуждаели от него.

Полето usage във всеки отговор Ви дава точната мярка: проследявайте completion_tokens по тип заявка, преди да обобщите дадена настройка.

Насочване според сложността

Просто решение е да избирате нивото въз основа на въпроса, като използвате таблица за всеки модел, за да сте сигурни, че никога не изпращате отхвърлена стойност:

LEVELS = {
    "mistral-small-2603": {"simple": "none", "complex": "high"},
    "mistral-large-4-0": {"simple": "low", "complex": "high"},
}

COMPLEX_WORDS = ("calculate", "prove", "compare", "analyze", "optimize", "debug", "why")

def query(client, question, model="mistral-small-2603", level=None):
    """Избира reasoning_effort въз основа на въпроса или прилага принудително ниво."""
    if level is None:
        is_complex = any(word in question.lower() for word in COMPLEX_WORDS)
        level = LEVELS[model]["complex" if is_complex else "simple"]
    return client.chat.complete(
        model=model,
        messages=[{"role": "user", "content": question}],
        reasoning_effort=level,
    )

Евристиките, базирани на ключови думи, остават груби; те са достатъчни, за да запазите разсъждението за заявки, които имат полза от него, а аргументът level Ви позволява да наложите конкретна настройка. Урок 12 предлага по-пълна архитектура за насочване.

Ограничения, които трябва да знаете

Разсъждението увеличава вероятността за правилен отговор, но не го гарантира: проверявайте критичните резултати (Урок 9). То също така увеличава латентността, което е важно при разговорен интерфейс. Накрая, предадената стойност трябва да съответства на извикания модел: планирайте таблица като горната, вместо да разпръсквате низове из целия си код.

Ключови изводи

  • reasoning_effort контролира разсъждението заявка по заявка, без други конфигурации
  • Small 4 и Medium 3.5 приемат high и none; Large 4 приема low, medium и high, но не и none
  • Изброенията в SDK съдържат стойности, които не всички модели приемат
  • При high, content е списък от фрагменти; при none – низ
  • Измервайте разходите с usage.completion_tokens и насочвайте според сложността