Parameteren reasoning_effort
På denne side
Lektien er omskrevet den 2. november 2026. Den tidligere version angav, at
reasoning_effortkun accepterede to værdier og kun eksisterede på Mistral Small. I virkeligheden afhænger de accepterede værdier af modellen, og Mistral Large 4 tilbyder tre. Kilde: Reasoning (Mistral-dokumentation).
Indstilling af dybden i tankegangen
Justerbart ræsonnement hviler på et simpelt princip: Du beslutter fra anmodning til anmodning, hvor meget modellen skal tænke, før den svarer. Vægten hedder reasoning_effort. Du sender den i API-kaldet på samme niveau som modellen og beskederne uden behov for anden konfiguration.
Accepterede værdier, model for model
Dette er den hyppigste fælde: Accepterede værdier afhænger af modellen.
| Model | Dokumenterede værdier | Officiel anbefaling |
|---|---|---|
Mistral Small 4 (mistral-small-2603) | high, none | — |
Mistral Medium 3.5 (mistral-medium-3-5) | high, none | high til agent-baserede workflows og kode |
Mistral Large 4 (mistral-large-4-0) | low, medium, high | Start med high, og skift derefter til medium eller low, hvis tokens eller ventetid er vigtigere |
På Small 4 og Medium 3.5 producerer high et fuldt ræsonnementsafsnit før svaret på bekostning af højere token-forbrug; none reducerer ræsonnementet til et minimum og udelader det fra svaret. På Large 4 har skalaen tre niveauer: low til enkle opgaver, medium for at balancere kvalitet, tokens og ventetid, samt high til komplekse opgaver. Large 4 accepterer ikke none: Dokumentationen specificerer, at det niveau, der tidligere hed none i dens prøveversion, nu hedder low.
En sidste nuance: Typen ReasoningEffort i SDK’erne oplister også minimal, xhigh og max, fordi enumerationen dækker hver model på platformen (max bruges f.eks. af tredjepartsmodellen zai-glm-5-3). Bare fordi en værdi vises i enumerationen, betyder det ikke, at din model accepterer den.
Implementering i Python
import os
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
# Mistral Small 4, dybt ræsonnement
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, direkte svar
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, mellemste niveau
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",
)
Svarets struktur ændrer sig med indstillingen. Med high er message.content en liste, der starter med et ræsonnementsafsnit; med none er det en simpel streng. Din kode skal derfor håndtere begge former, som næste lektion viser.
I TypeScript følger parameteren JavaScript-navngivning og skrives 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',
});
Valg af niveau efter opgave
Reservér dybt ræsonnement til matematikopgaver med flere trin, kompleks fejlfinding i kode, komparativ analyse, planlægning, logiske gåder og risikovurdering. Disse deler en fælles egenskab: Flere veje er mulige, og valget af den forkerte er kostbart.
Slå det fra (eller drop til det laveste niveau) for simple faktuelle spørgsmål, oversættelse, omskrivning, direkte informationsekstraktion og hverdagssamtaler. Modellen har intet at afveje her: Den henter eller transformerer, og en ræsonnementsfase ville kun tilføje ventetid.
Måling af omkostninger
Ræsonnement koster output-tokens. Eksemplet i den officielle dokumentation giver en fornemmelse af størrelsesordenen: En aldersgåde sendt til Mistral Small 4 med high bruger 77 input-tokens og 1.114 output-tokens. Ved Small 4’s listede pris på $0,15 pr. million input-tokens og $0,60 pr. million output-tokens koster anmodningen ca. $0,0007. Det er ubetydeligt pr. enhed, men fordelt på en million lignende anmodninger repræsenterer ræsonnement alene flere hundrede dollars uden gevinst, hvis halvdelen af spørgsmålene ikke behøvede det.
Feltet usage i hvert svar giver dig det nøjagtige mål: Spor completion_tokens efter anmodningstype, før du generaliserer en indstilling.
Routing baseret på kompleksitet
En simpel løsning er at vælge niveauet baseret på spørgsmålet ved hjælp af en tabel pr. model for at sikre, at du aldrig sender en afvist værdi:
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):
"""Vælger reasoning_effort baseret på spørgsmålet eller anvender et tvunget niveau."""
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,
)
Heuristik baseret på nøgleord forbliver grov; de er tilstrækkelige til at reservere ræsonnement for anmodninger, der drager fordel af det, og argumentet level lader dig gennemtvinge en indstilling. Lektion 12 foreslår en mere komplet routing-arkitektur.
Begrænsninger, du skal kende
Ræsonnement øger sandsynligheden for et korrekt svar; det garanterer ikke ét: Verificér kritiske resultater (Lektion 9). Det øger også ventetiden, hvilket betyder noget i en samtalegrænseflade. Endelig skal den sendte værdi matche den kaldede model: Planlæg for en tabel som den ovenfor frem for at sprede strenge gennem din kode.
Vigtige pointer
reasoning_effortstyrer ræsonnement anmodning for anmodning uden anden konfiguration- Small 4 og Medium 3.5 accepterer
highognone; Large 4 acceptererlow,mediumoghigh, men ikkenone - SDK-enumerationer indeholder værdier, som ikke alle modeller accepterer
- Med
highercontenten liste over fragmenter; mednoneer det en streng - Mål omkostninger med
usage.completion_tokensog rout efter kompleksitet