Introduktion til AI-ræsonnement hos Mistral
På denne side
Kurset er redesignet den 2. november 2026. Dette kursus var oprindeligt bygget op omkring Magistral-modellerne, som blev fuldstændigt udfaset den 31. juli 2026. Hos Mistral håndteres ræsonnement nu via parameteren
reasoning_effort, der er tilgængelig på generelle modeller: Mistral Small 4, Mistral Large 4 og Mistral Medium 3.5 (forældet, udfasning planlagt til 30. april 2027). Alle tolv lektioner er omskrevet på baggrund af den officielle dokumentation: Reasoning · Models.
Hvorfor ræsonnement ændrer spillereglerne
Når du stiller et komplekst spørgsmål til en standard sprogmodel, genererer den sit svar token for token uden en egentlig refleksionsfase. Til omskrivning eller faktuelle forespørgsler er resultatet ofte korrekt. Men når modellen står over for problemer med flere trin eller krævende logisk ræsonnement, falder ydeevnen markant: Modellen binder sig til en retning fra de første ord og har ingen mulighed for at korrigere sig selv.
Ræsonnement ændrer denne dynamik. I Matrals dokumentation præsenteres det som den næste evolution af „chain of thought”: Modellen er trænet til frit at generere en refleksionskæde, før den leverer sit endelige svar. Den undersøger problemet dybere og forbedrer sin løsning ved at bruge mere regnekraft under inferensen. Dette kaldes Test Time Computation: At investere regnekraft under inferens, ikke kun under træning.
Omkostninger og fordele ved refleksion
Princippet er simpelt: Jo mere en model tænker, før den svarer, desto bedre bliver svaret på komplekse opgaver. Konkret genererer den tankespor: hypoteser, mellemregninger, verifikationer og tilbageskridt. Disse ekstra tokens koster tid og budget. I et eksempel fra den officielle dokumentation bruger en lille aldersgåde stillet til Mistral Small 4 med højt ræsonnementsniveau 77 input-tokens og 1.114 output-tokens til et endeligt svar på blot få linjer: Hovedparten af omkostningen selve tænkningen.
Ræsonnement excellerer i komplekse brugssager, startende med matematik og kodning, men det gælder også mange andre situationer: analyse, planlægning og beslutningstagning.
Overvej et klassisk problem for at måle forskellen. En far har tre børn; produktet af deres aldre er 36, summen af deres aldre er naboens husnummer, og den ældste spiller klaver. Hvor gamle er de? Uden ræsonnement gætter en model og rammer sjældent rigtigt. Med ræsonnement oplister den dekompositionerne af 36 i tre faktorer, beregner summen af hver, bemærker, at to af dem deler samme sum (1, 6, 6 og 2, 2, 9 giver begge 13: dette er tvetydigheden, som prompten antyder), og bruger derefter ledetråden om det „ældste” barn til at løse gåden: 2, 2 og 9 år.
Strukturen på et svar med ræsonnement
Når ræsonnement er aktiveret, er svaret ikke længere en simpel streng. Feltet message.content bliver til en liste af chunks: først en tanke-chunk af typen thinking, som selv indeholder en liste af tekst-chunks; derefter en chunk af typen text, som indeholder det endelige svar. Her er den forenklede form, som API’en returnerer:
{
"role": "assistant",
"content": [
{
"type": "thinking",
"thinking": [
{"type": "text", "text": "... thinking traces ..."}
]
},
{"type": "text", "text": "... final answer ..."}
]
}
Denne adskillelse er værdifuld: Den giver dig mulighed for at vise eller skjule tankeprocessen afhængigt af din applikation. En undervisende tutor kan vise sporene; en kundeorienteret assistent viser kun konklusionen. Lektion 3 beskriver detaljeret, hvordan du læser disse chunks, også i streaming-tilstand.
Ræsonnement hos Mistral i november 2026
Mistral tilbød oprindeligt en dedikeret serie, Magistral (Small og Medium, versionerne 25.06, 25.07 og 25.09), hvor ræsonnement altid var aktiveret. Denne serie er nu fuldstændigt udfaset: Ræsonnement er blevet en egenskab ved generelle modeller, konfigureret pr. anmodning med parameteren reasoning_effort.
| Model | API-identifikator | Status pr. 2. november 2026 | reasoning_effort-niveauer |
|---|---|---|---|
| Mistral Small 4 | mistral-small-2603 | Tilgængelig (udgivet 16. marts 2026) | high, none |
| Mistral Large 4 | mistral-large-4-0 | Offentlig forhåndsvisning (udgivet 6. oktober 2026) | low, medium, high |
| Mistral Medium 3.5 | mistral-medium-3-5 | Forældet, udfasning 30. april 2027 | high, none |
Mistral Small 4 beskrives i sit officielle datablad som en hybridmodel, der kombinerer instruktion, ræsonnement og kode i én enkelt model. Det er det naturlige udgangspunkt for dette kursus. Mistral Large 4 tilbyder en skala med tre niveauer og et kontekstvindue på en million tokens; den er stadig i offentlig forhåndsvisning, hvilket kræver forsigtighed i produktion. Lektion 5 sammenligner disse modeller i detaljer.
Hvornår skal du bruge ræsonnement?
Ræsonnement er ikke nødvendigt overalt, og at aktivere det systematisk svarer til at betale en forsikringspræmie for risikofrie rejser. Det tilfører reel værdi inden for matematik, logik, fejlfinding, komparativ analyse, planlægning og problemer med flere trin. Det er overflødigt til simpel oversættelse, omskrivning, direkte faktuelle spørgsmål eller kort kreativ skrivning.
Hele udfordringen ligger i at balancere kvalitet mod token-forbrug. Kurset fortsætter i tre faser: konfigurering og læsning af ræsonnement (lektion 1 til 4), valg af model, effektiv promptning og migration fra Magistral (lektion 5 til 8), og derefter anvendelse på matematik, kode og beslutningstagning (lektion 9 til 12).
Vigtige pointer
- Test Time Computation investerer regnekraft ved inferens for at forbedre komplekse svar
- Med ræsonnement bliver
message.contenttil en liste: enthinking-chunk (refleksionen) efterfulgt af entext-chunk (svaret) - Magistral-serien blev udfaset den 31. juli 2026: Ræsonnement konfigureres nu med
reasoning_effort - Mistral Small 4 (
mistral-small-2603) er udgangspunktet; Mistral Large 4 (mistral-large-4-0) målretter de mest krævende tilfælde - Ræsonnement er berettiget til matematik, kode og beslutningstagning, ikke til simple opgaver