Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Parametr reasoning_effort

Lekce 2 z 12 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Nastavení hloubky uvažování
  2. Přijaté hodnoty podle modelu
  3. Implementace v Pythonu
  4. Volba úrovně podle úkolu
  5. Měření nákladů
  6. Směrování podle složitosti
  7. Limity, které je třeba znát
  8. Klíčové poznatky

Lekce přepsána dne 2. listopadu 2026. Předchozí verze uváděla, že reasoning_effort přijímá pouze dvě hodnoty a existuje pouze u modelu Mistral Small. Ve skutečnosti závisí přijatelné hodnoty na konkrétním modelu a Mistral Large 4 nabízí tři možnosti. Zdroj: Reasoning (dokumentace Mistral).

Nastavení hloubky uvažování

Nastavitelné uvažování stojí na jednoduchém principu: ty sám rozhoduješ u každého požadavku zvlášť, jak dlouho má model před odpovědí přemýšlet. Pákou je parametr reasoning_effort. Předáváš jej v API volání na stejné úrovni jako model a zprávy, bez nutnosti jakékoli další konfigurace.

Přijaté hodnoty podle modelu

Tohle je nejčastější past: přijaté hodnoty závisí na modelu.

ModelZdokumentované hodnotyOficiální doporučení
Mistral Small 4 (mistral-small-2603)high, none—
Mistral Medium 3.5 (mistral-medium-3-5)high, nonehigh pro agentní workflow a kód
Mistral Large 4 (mistral-large-4-0)low, medium, highZačni s high, poté přepni na medium nebo low, pokud záleží na tokenech nebo latenci

U modelů Small 4 a Medium 3.5 hodnota high vygeneruje před odpovědí úplný úsek uvažování, což však zvyšuje spotřebu tokenů; hodnota none redukuje uvažování na minimum a zcela jej vynechá z odpovědi. U modelu Large 4 má stupnice tři úrovně: low pro jednoduché úkoly, medium pro vyvážení kvality, počtu tokenů a latence a high pro složité úkoly. Large 4 nepřijímá hodnotu none: dokumentace specifikuje, že úroveň dříve označovaná jako none v náhledové verzi se nyní nazývá low.

Ještě jedna nuance: typ ReasoningEffort v SDK také obsahuje výčtové hodnoty minimal, xhigh a max, protože tento výčet pokrývá všechny modely na platformě (hodnotu max používá například model třetí strany zai-glm-5-3). To, že se hodnota objeví ve výčtu, ještě neznamená, že ji tvůj model přijme.

Implementace v Pythonu

import os
from mistralai.client import Mistral

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

# Mistral Small 4, hluboké uvažování
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, přímá odpověď
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, střední úroveň
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",
)

Struktura odpovědi se podle nastavení mění. Při hodnotě high je message.content seznam, který začíná úsekem uvažování; při hodnotě none jde o prostý řetězec. Tvůj kód proto musí umět zpracovat obě formy, jak ukáže další lekce.

V TypeScriptu se parametr řídí konvencemi pojmenování v JavaScriptu a zapisuje se jako 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',
});

Volba úrovně podle úkolu

Hluboké uvažování si rezervuj pro matematické problémy s více kroky, ladění složitého kódu, komparativní analýzy, plánování, logické hádanky a posuzování rizik. Tyto úkoly mají společnou vlastnost: existuje více možných cest a výběr té špatné je nákladný.

Vypni ho (nebo přepni na nejnižší úroveň) u jednoduchých faktografických otázek, překladů, parafrází, přímé extrakce informací a běžné konverzace. Model zde nemá co vyvažovat: pouze vyhledává nebo transformuje a fáze uvažování by jen přidala latenci.

Měření nákladů

Uvažování stojí output tokeny. Příklad z oficiální dokumentace poskytuje představu o měřítku: hádanka o věku zaslaná modelu Mistral Small 4 s nastavením high spotřebuje 77 vstupních tokenů a 1 114 výstupních tokenů. Při uvedené ceně modelu Small 4 ve výši 0,15 USD za milion vstupních tokenů a 0,60 USD za milion výstupních tokenů stojí tento požadavek přibližně 0,0007 USD. Na jednotku je to zanedbatelné, ale u milionu podobných požadavků představuje samotné uvažování částku v řádu stovek dolarů, přičemž polovina otázek by se bez něj obešla.

Pole usage v každé odpovědi ti poskytne přesné měřítko: sleduj completion_tokens podle typu požadavku, než nějaké nastavení zobecníš.

Směrování podle složitosti

Jednoduchým řešením je volba úrovně na základě otázky s využitím tabulky pro každý model, aby bylo zajištěno, že nikdy nepošleš odmítnutou hodnotu:

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):
    """Volí reasoning_effort na základě otázky, nebo aplikuje vynucenou úroveň."""
    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,
    )

Heuristika založená na klíčových slovech zůstává hrubá; postačuje však k tomu, aby se uvažování rezervovalo pro požadavky, které z něj mají prospěch, a argument level ti umožňuje nastavení vynutit. Lekce 12 navrhuje kompletnější architekturu směrování.

Limity, které je třeba znát

Uvažování zvyšuje pravděpodobnost správné odpovědi, ale nezaručuje ji: kritické výsledky vždy ověř (lekce 9). Také zvyšuje latenci, což je v konverzačním rozhraní podstatné. Nakonec, předaná hodnota musí odpovídat volanému modelu: naplánuj si tabulku, jako je ta výše, místo abys řetězce rozházel po celém kódu.

Klíčové poznatky

  • reasoning_effort řídí uvažování požadavek po požadavku bez další konfigurace
  • Small 4 a Medium 3.5 přijímají high a none; Large 4 přijímá low, medium a high, nikoli none
  • Výčty v SDK obsahují hodnoty, které ne všechny modely přijímají
  • Při high je content seznamem úseků; při none jde o řetězec
  • Náklady měř pomocí usage.completion_tokens a směruj podle složitosti