Mathematische Problemlösung — KI-Logik mit Mistral: reasoning_effort, Small 4 und Large 4

Lektion aktualisiert am 2. November 2026. Die ursprünglichen Beispiele verwendeten Magistral, der am 31. Juli 2026 eingestellt wurde. Es werden nun Mistral Small 4 (mistral-small-2603) oder Mistral Large 4 (mistral-large-4-0) mit reasoning_effort="high" verwendet, und die Antwort wird mit der Funktion separer aus Lektion 3 ausgewertet. Quelle: Reasoning (Mistral-Dokumentation).

Mathematik: Der ideale Boden für das Nachdenken

Mathematische Probleme sind der Anwendungsfall, bei dem das Nachdenken den größten Mehrwert liefert. Ein Modell ohne Nachdenkfunktion antwortet zwar korrekt auf „2 + 2”, scheitert jedoch häufig bei mehrstufigen Problemen, Beweisen und Logikrätseln. Mit aktiviertem Nachdenken zerlegt das Modell das Problem, überprüft jeden Schritt und validiert das Ergebnis – genau das, was die tokenweise Generierung fehlt.

Mehrstufige arithmetische Probleme

Beginnen wir mit einem Fall, bei dem die Reihenfolge der Operationen das Ergebnis bestimmt. Ein 20 % Rabatt gefolgt von einem 15-Euro-Gutschein ergibt nicht denselben Gesamtbetrag wie ein vor dem Rabatt angewandter Gutschein; ein übereiltes Modell verwechselt diese oft.

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

probleme = """Ein Geschäft bietet auf alle Artikel einen 20% Rabatt.
Ein Kunde kauft 3 Artikel zu 45 Euro, 2 Artikel zu 30 Euro und 1 Artikel zu 75 Euro.
Er hat zudem einen zusätzlichen 15-Euro-Gutschein, der nach dem Rabatt gilt.
Wie hoch ist der zu zahlende Endbetrag? Detailieren Sie jeden Schritt."""

response = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[{"role": "user", "content": probleme}]
)

# Das Modell denkt Schritt für Schritt nach:
# 1. Gesamtpreis vor Rabatt berechnen
# 2. 20% Rabatt anwenden
# 3. 15-Euro-Gutschein abziehen
# 4. Ergebnis verifizieren

Das Nachdenken verhindert, dass das Modell Schritte überspringt, und stellt sicher, dass es die Konsistenz seiner Zwischenergebnisse prüft, bevor es einen Endbetrag liefert.

Gleichungen und Gleichungssysteme

Gleichungssysteme testen diese Disziplin in einem formelleren Setting. Hier erzwingt der Systemprompt eine strenge Anforderung an die Detailtiefe:

systeme = """Lösen Sie das folgende Gleichungssystem:
3x + 2y - z = 7
x - y + 2z = 3
2x + 3y + z = 12

Zeigen Sie jeden Schritt der Lösung."""

response = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[
        {"role": "system", "content": "Sie sind ein Mathematiklehrer. Detailieren Sie jede Operation."},
        {"role": "user", "content": systeme}
    ],
)

Das Modell wählt zunächst eine Methode – Einsetzen, Eliminieren oder Matrizen –, wendet die Operationen nacheinander an und setzt die Werte anschließend in die ursprünglichen Gleichungen zurück, um zu überprüfen, ob sie gelten. Dieser letzte Schritt, der von Modellen ohne Nachdenkfunktion oft vernachlässigt wird, ist es, der Vorzeichenfehler aufdeckt.

Beweise und Demonstrationen

Mathematische Beweise offenbaren die volle Kraft des Nachdenkens, sofern Sie den erwarteten Rahmen definieren. Für längere Beweise lohnt es sich, Mistral Large 4 im high-Modus zu testen, falls Small 4 an Grenzen stößt. Das Erzwingen der vier Stufen der Induktion im Systemprompt verhindert, dass das Modell auf Basis von nur zwei spezifischen Fällen „schließt”:

demonstration = """Beweisen Sie durch Induktion, dass für jede ganze Zahl n >= 1 gilt:
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": """Sie sind ein strenger Mathematiker.
Erwartete Beweisstruktur:
1. Grundfall (Initialisierung)
2. Induktionsvoraussetzung
3. Induktionsschritt (von n zu n+1)
4. Schlussfolgerung"""},
        {"role": "user", "content": demonstration}
    ],
)

Logikrätsel

Rätsel mit Constraints sind besonders aufschlussreich, da kein einzelnes Formular zur Lösung führt; das Modell muss Möglichkeiten erkunden und diese dann eliminieren. Das klassische Rätsel mit drei Freunden, drei Berufen und drei Autofarben ist das reinste Beispiel.

enigme = """Drei Freunde (Alice, Bob, Charlie) haben jeweils einen unterschiedlichen Beruf
(Arzt, Anwalt, Ingenieur) und ein Auto einer anderen Farbe (rot, blau, grün).

Hinweise:
1. Alice ist nicht der Arzt
2. Der Besitzer des roten Autos ist der Anwalt
3. Bob hat nicht das grüne Auto
4. Charlie ist nicht der Anwalt
5. Der Ingenieur hat das blaue Auto
6. Alice hat nicht das rote Auto

Finden Sie den Beruf und die Autofarbe für jede Person."""

response = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[{"role": "user", "content": enigme}]
)

In seinen Nachdenkspuren listet das Modell für jede Person Möglichkeiten auf, wendet die Hinweise einzeln an, eliminiert unmögliche Kombinationen und validiert die ausgewählte Lösung schließlich gegen alle sechs Hinweise: Alice ist die Ingenieurin mit dem blauen Auto, Bob ist der Anwalt mit dem roten Auto und Charlie ist der Arzt mit dem grünen Auto. Der sechste Hinweis ist nicht dekorativ; ohne ihn könnten Alice und Bob ihre Rollen als Anwalt und Ingenieur austauschen, was dem Rätsel zwei Lösungen lassen würde. Ein gutes Nachdenkmodell markiert dies; es ist eine hervorragende Möglichkeit, Ihre eigenen Problemstellungen zu testen. Diese finale Validierung unterscheidet Deduktion von einem glücklichen Raten.

Optimierung und Wahrscheinlichkeit

Zählprobleme stellen eine ähnliche Herausforderung dar: Die Antwort hängt von einer Wahrscheinlichkeitsmodellwahl ab, die die KI explizit vor der Berechnung treffen muss.

proba = """Eine Urne enthält 5 rote Kugeln, 3 blaue Kugeln und 2 grüne Kugeln.
Wir ziehen 3 Kugeln ohne Zurücklegen.
Wie hoch ist die Wahrscheinlichkeit, genau 2 rote Kugeln und 1 blaue Kugel zu erhalten?
Drücken Sie das Ergebnis als unzerlegbaren Bruch aus."""

response = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[{"role": "user", "content": proba}]
)

Muster: Automatische Validierung

Für kritische Ergebnisse reicht ein einziger Aufruf nicht aus. Sie können das Nachdenken zweimal nutzen, indem Sie die generierte Lösung einer unabhängigen Prüfung unterziehen: Das Modell nähert sich dem Problem dann mit der Antwort bereits im Blick, was es zwingt, zu überprüfen, statt zu generieren.

def solve_and_verify(client, problem):
    """Löst ein Problem und fordert eine Verifizierung an."""

    # Schritt 1: Lösung
    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)

    # Schritt 2: Verifizierung über einen zweiten Aufruf
    verify_response = client.chat.complete(
        model="mistral-small-2603",
        reasoning_effort="high",
        messages=[
            {"role": "user", "content": f"""Überprüfen Sie diese Lösung für das folgende Problem:

PROBLEM: {problem}

VORGESCHLAGENE LÖSUNG: {answer}

Ist die Lösung korrekt? Wenn nicht, korrigieren Sie sie."""}
        ]
    )

    return {
        "solution": answer,
        "verification": separer(verify_response.choices[0].message.content)[1],
    }

Vergleich: Mit und ohne Nachdenken

Um den Einfluss an einem konkreten Beispiel zu messen, kehren wir zum Hühner-Rätsel zurück. Die Proportionalität ist täuschend und drängt ein Modell ohne Nachdenkfunktion zur Antwort „12” durch eine einfache Analogie zum Prompt.

probleme_test = "Wenn 3 Hühner in 3 Tagen 3 Eier legen, wie viele Eier legen 12 Hühner in 12 Tagen?"

# Ohne Nachdenken – Risiko eines Fehlers durch naive Analogie (Antwort "12")
response_none = client.chat.complete(
    model="mistral-small-2603",
    messages=[{"role": "user", "content": probleme_test}],
    reasoning_effort="none"
)

# Mit Nachdenken – korrekte Zerlegung
response_high = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[{"role": "user", "content": probleme_test}]
)
# Erwartetes Nachdenken: 1 Huhn = 1 Ei / 3 Tage
# 12 Hühner in 12 Tagen = 12 * (12/3) = 48 Eier

Führen Sie beide Aufrufe bei Ihren eigenen Problemen durch, bevor Sie entscheiden; dies ist der einzige zuverlässige Weg, um zu wissen, ob die zusätzlichen Kosten für das Nachdenken in Ihrem Bereich gerechtfertigt sind.

Kernaussagen

Das Nachdenken excelle bei mehrstufigen mathematischen Problemen
Verwenden Sie einen Systemprompt, der eine Lösungsstruktur (Schritte, Verifizierung) erzwingt
Induktive Beweise profitieren enorm von strukturiertem Nachdenken
Logikrätsel heben die Erkundung und Eliminierung von Möglichkeiten hervor
Implementieren Sie doppelte Verifizierung für kritische Ergebnisse
Vergleichen Sie Ergebnisse stets mit und ohne Nachdenken, um den zusätzlichen Wert zu validieren