Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Løsning af matematiske problemer

Lektion 9 af 12 Opdateret 2. november 2026 Udvikler
På denne side
  1. Matematik: Det ideelle grundlag for ræsonnement
  2. Flerstegns aritmetiske problemer
  3. Ligninger og ligningssystemer
  4. Beviser og demonstrationer
  5. Logiske gåder
  6. Optimering og sandsynlighed
  7. Mønster: Automatisk validering
  8. Sammenligning: Med og uden ræsonnement
  9. Vigtige pointer

Lektionen er opdateret den 2. november 2026. De oprindelige eksempler brugte Magistral, som blev udfaset den 31. juli 2026. De benytter nu Mistral Small 4 (mistral-small-2603) eller Mistral Large 4 (mistral-large-4-0) med reasoning_effort="high" og parser svaret ved hjælp af funktionen separer fra lektion 3. Kilde: Reasoning (Mistral Documentation).

Matematik: Det ideelle grundlag for ræsonnement

Matematiske problemer er det brugstilfælde, hvor ræsonnement skaber mest værdi. En model uden ræsonnement svarer korrekt på „2 + 2”, men fejler ofte ved flerstegnsopgaver, beviser og logiske gåder. Med aktiveret ræsonnement dekomponerer modellen problemet, verificerer hvert trin og validerer resultatet – præcis det, som token-for-token-generering mangler.

Flerstegns aritmetiske problemer

Lad os starte med et tilfælde, hvor rækkefølgen af operationer afgør udfaldet. En rabat på 20 % efterfulgt af en voucher på 15 € giver ikke samme total som en voucher anvendt før rabatten; en model, der skynder sig, blander ofte disse sammen.

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

Ræsonnement forhindrer modellen i at springe trin over og sikrer, at den tjekker konsistensen af sine mellemregninger, før den leverer et endeligt beløb.

Ligninger og ligningssystemer

Ligningssystemer tester denne samme disciplin i en mere formel ramme. Her håndhæver system-prompten et strengt krav om detaljeringsgrad:

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}
    ],
)

Modellen starter med at vælge en metode – substitution, elimination eller matricer – anvender operationerne én efter én og indsætter derefter sine værdier tilbage i de oprindelige ligninger for at verificere, at de holder. Dette sidste trin, som ofte forsømmes af modeller uden ræsonnement, er det, der fanger fortegnsfejl.

Beviser og demonstrationer

Matematiske beviser afslører ræsonnementets fulde kraft, forudsat at du definerer den forventede ramme. Ved længere beviser er det værd at teste Mistral Large 4 i high-tilstand, hvis Small 4 ikke slår til. At håndhæve de fire faser af induktion i system-prompten forhindrer modellen i at „konkludere” ud fra blot to specifikke tilfælde:

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}
    ],
)

Logiske gåder

Gåder baseret på begrænsninger er særligt afslørende, fordi ingen enkelt formel fører til løsningen; modellen skal udforske muligheder og derefter eliminere dem. Det klassiske puslespil med tre venner, tre erhverv og tre bilfarver er det reneste eksempel.

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}]
)

I sine ræsonnementsspor lister modellen muligheder for hver person, anvender begrænsninger én efter én, eliminerer umulige kombinationer og validerer derefter den valgte løsning op imod alle seks ledetråde: Alice er ingeniør med den blå bil, Bob er advokat med den røde bil, og Charlie er læge med den grønne bil. Den sjette ledetråd er ikke dekorativ; uden den kunne Alice og Bob bytte roller som advokat og ingeniør, hvilket ville efterlade gåden med to løsninger. En god ræsonnementsmodel flagrer dette; det er en fremragende måde at teste dine egne problemformuleringer på. Denne sidste valideringsomgang adskiller deduktion fra et heldigt gæt.

Optimering og sandsynlighed

Tælleproblemer udgør en lignende udfordring: svaret afhænger af et valg af sandsynlighedsmodel, som AI’en skal gøre eksplicit før beregningen.

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}]
)

Mønster: Automatisk validering

Ved kritiske resultater er et enkelt kald ikke nok. Du kan udnytte ræsonnement en anden gang ved at indsende den genererede løsning til et uafhængigt tjek: modellen nærmer sig derefter problemet med svaret allerede i sigte, hvilket tvinger den til at verificere frem for at generere.

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],
    }

Sammenligning: Med og uden ræsonnement

For at måle effekten på et konkret eksempel, lad os genoptage høns-gåden. Proportionaliteten er vildledende og presser en model uden ræsonnement mod svaret „12” gennem simpel analogi med prompten.

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

Kør begge kald på dine egne problemer, før du beslutter dig; det er den eneste pålidelige måde at vide, om de ekstra omkostninger ved ræsonnement er berettigede i dit domæne.

Vigtige pointer

  • Ræsonnement excellerer ved flerstegns matematiske problemer
  • Brug en system-prompt, der håndhæver en løsningsstruktur (trin, verifikation)
  • Induktionsbeviser drager enorm fordel af struktureret ræsonnement
  • Logiske gåder fremhæver udforskning og eliminering af muligheder
  • Implementér dobbeltverifikation ved kritiske resultater
  • Sammenlign altid resultater med og uden ræsonnement for at validere merværdien