Řešení matematických úloh
Na této stránce
Lekce aktualizována 2. listopadu 2026. Původní příklady využívaly model Magistral, který byl 31. července 2026 vyřazen. Nyní využívají Mistral Small 4 (
mistral-small-2603) nebo Mistral Large 4 (mistral-large-4-0) s parametremreasoning_effort="high"a odpověď parsují pomocí funkceseparerz Lekce 3. Zdroj: Reasoning (Mistral Documentation).
Matematika: Ideální půda pro uvažování
Matematické úlohy představují případ použití, kde uvažování přináší největší přidanou hodnotu. Model bez schopnosti uvažování odpoví správně na „2 + 2“, ale často selže u vícekrokových problémů, důkazů a logických hlavolamů. S aktivovaným uvažováním model úlohu rozkládá, ověřuje každý krok a validuje výsledek – přesně to, co generování token po tokenu postrádá.
Vícekrokové aritmetické úlohy
Začněme případem, kde pořadí operací určuje výsledek. Sleva 20 % následovaná poukázkou na 15 € nedá stejnou konečnou částku jako poukázka uplatněná před slevou; uspěchaný model si tyto kroky často spletl.
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
probleme = """A store offers a 20% discount on all items.
A customer buys 3 items at 45 euros, 2 items at 30 euros, and 1 item at 75 euros.
They also have an additional 15-euro voucher applicable after the discount.
What is the final amount to pay? Detail each step."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": probleme}]
)
# The model reasons step by step:
# 1. Calculate total price before discount
# 2. Apply 20% discount
# 3. Subtract 15-euro voucher
# 4. Verify the result
Uvažování brání modelu v přeskakování kroků a zajišťuje, že před vydáním konečné částky zkontroluje konzistenci svých dílčích výpočtů.
Rovnice a soustavy rovnic
Soustavy rovnic testují tuto stejnou disciplínu ve formálnějším prostředí. Zde systémový prompt vynucuje přísný požadavek na detailnost:
systeme = """Solve the following system of equations:
3x + 2y - z = 7
x - y + 2z = 3
2x + 3y + z = 12
Show every step of the solution."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "You are a mathematics teacher. Detail every operation."},
{"role": "user", "content": systeme}
],
)
Model nejprve zvolí metodu – dosazovací, sčítací nebo maticovou –, aplikuje operace jednu po druhé a následně dosadí své hodnoty zpět do původních rovnic, aby ověřil, že platí. Tento závěrečný krok, který modely bez uvažování často opomíjejí, je tím, co odhalí chyby ve znaménkách.
Důkazy a demonstrace
Matematické důkazy odhalují plný potenciál uvažování, pokud definujete očekávaný rámec. U delších důkazů stojí za to otestovat Mistral Large 4 v režimu high, pokud Small 4 nestačí. Vynucení čtyř fází matematické indukce v systémovém promptu brání modelu v „uzavření“ důkazu pouze na základě dvou konkrétních případů:
demonstration = """Prove by induction that for any integer n >= 1:
1^2 + 2^2 + 3^2 + ... + n^2 = n(n+1)(2n+1) / 6"""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": """You are a rigorous mathematician.
Expected proof structure:
1. Base case (Initialization)
2. Inductive hypothesis
3. Inductive step (from n to n+1)
4. Conclusion"""},
{"role": "user", "content": demonstration}
],
)
Logické hlavolamy
Hlavolamy založené na omezeních jsou obzvláště vypovídající, protože k řešení nevede žádný jediný vzorec; model musí prozkoumat možnosti a následně je eliminovat. Klasický hlavolam se třemi přáteli, třemi profesemi a třemi barvami aut je tím nejčistším příkladem.
enigme = """Three friends (Alice, Bob, Charlie) each have a different profession
(doctor, lawyer, engineer) and a car of a different color (red, blue, green).
Clues:
1. Alice is not the doctor
2. The owner of the red car is the lawyer
3. Bob does not have the green car
4. Charlie is not the lawyer
5. The engineer has the blue car
6. Alice does not have the red car
Find the profession and car color for each person."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": enigme}]
)
Ve svých stopách uvažování model vypíše možnosti pro každou osobu, postupně aplikuje omezení, eliminuje nemožné kombinace a následně validuje vybrané řešení proti všech šesti nápovědám: Alice je inženýrka s modrým autem, Bob je advokát s červeným autem a Charlie je lékař se zeleným autem. Šestá nápověda není jen ozdobná; bez ní by si Alice a Bob mohli prohodit role advokáta a inženýra, což by hlavolamu nechalo dvě řešení. Dobrý model s uvažováním toto označí; je to vynikající způsob, jak otestovat vlastní zadání úloh. Právě tato závěrečná validační fáze odlišuje dedukci od šťastného tipu.
Optimalizace a pravděpodobnost
Úlohy na počítání představují podobnou výzvu: odpověď závisí na volbě pravděpodobnostního modelu, který musí AI explicitně definovat před samotným výpočtem.
proba = """An urn contains 5 red balls, 3 blue balls, and 2 green balls.
We draw 3 balls without replacement.
What is the probability of getting exactly 2 red balls and 1 blue ball?
Express the result as an irreducible fraction."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": proba}]
)
Vzor: Automatická validace
U kritických výsledků jedno volání nestačí. Můžeš využít uvažování podruhé tím, že vygenerované řešení předložíš k nezávislé kontrole: model se pak k problému postaví s již známou odpovědí, což ho donutí spíše ověřovat než generovat.
def solve_and_verify(client, problem):
"""Solves a problem and requests verification."""
# Step 1: Resolution
solve_response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": problem}]
)
_, answer = separer(solve_response.choices[0].message.content)
# Step 2: Verification via a second call
verify_response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "user", "content": f"""Verify this solution to the following problem:
PROBLEM: {problem}
PROPOSED SOLUTION: {answer}
Is the solution correct? If not, correct it."""}
]
)
return {
"solution": answer,
"verification": separer(verify_response.choices[0].message.content)[1],
}
Srovnání: S uvažováním a bez něj
Pro změření dopadu na konkrétním příkladu se vraťme k hlavolamu se slepicemi. Proporcionalita je zde zavádějící a tlačí model bez uvažování k odpovědi „12“ prostřednictvím prosté analogie s promptem.
probleme_test = "If 3 chickens lay 3 eggs in 3 days, how many eggs do 12 chickens lay in 12 days?"
# Without reasoning — risk of error via naive analogy (answer "12")
response_none = client.chat.complete(
model="mistral-small-2603",
messages=[{"role": "user", "content": probleme_test}],
reasoning_effort="none"
)
# With reasoning — correct decomposition
response_high = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": probleme_test}]
)
# Expected reasoning: 1 chicken = 1 egg / 3 days
# 12 chickens in 12 days = 12 * (12/3) = 48 eggs
Spusť obě volání na svých vlastních problémech, než se rozhodneš; je to jediný spolehlivý způsob, jak zjistit, zda jsou vyšší náklady na uvažování ve tvé doméně opodstatněné.
Klíčové poznatky
- Uvažování vyniká u vícekrokových matematických problémů
- Používej systémový prompt, který vynucuje strukturu řešení (kroky, ověření)
- Důkazy matematickou indukcí mají obrovský přínos ze strukturovaného uvažování
- Logické hlavolamy zvýrazňují prozkoumávání a eliminaci možností
- Pro kritické výsledky implementuj dvojí ověření
- Vždy porovnávej výsledky s uvažováním a bez něj, abys ověřil přidanou hodnotu