Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Risoluzione di problemi matematici

Lezione 9 di 12 Aggiornata il 2 novembre 2026 Sviluppatore
In questa pagina
  1. Matematica: il terreno ideale per il ragionamento
  2. Problemi aritmetici a più passaggi
  3. Equazioni e sistemi di equazioni
  4. Dimostrazioni e prove matematiche
  5. Enigmi logici
  6. Ottimizzazione e probabilità
  7. Schema: Convalida automatica
  8. Confronto: Con e senza ragionamento
  9. Punti chiave

Lezione aggiornata il 2 novembre 2026. Gli esempi originali utilizzavano Magistral, ritirato il 31 luglio 2026. Ora fanno riferimento a Mistral Small 4 (mistral-small-2603) o Mistral Large 4 (mistral-large-4-0) con reasoning_effort="high", analizzando la risposta tramite la funzione separer della Lezione 3. Fonte: Reasoning (Documentazione Mistral).

Matematica: il terreno ideale per il ragionamento

I problemi matematici rappresentano il caso d’uso in cui il ragionamento offre il massimo valore. Un modello privo di capacità di ragionamento risponde correttamente a “2 + 2”, ma spesso fallisce su problemi a più passaggi, dimostrazioni ed enigmi logici. Con il ragionamento attivato, il modello scompone il problema, verifica ogni singolo passaggio e convalida il risultato: esattamente ciò che manca alla generazione token per token.

Problemi aritmetici a più passaggi

Iniziamo con un caso in cui l’ordine delle operazioni determina l’esito. Uno sconto del 20% seguito da un buono da 15 € non produce lo stesso totale di un buono applicato prima dello sconto; un modello frettoloso tende spesso a confonderli.

from mistralai.client import Mistral

client = Mistral(api_key="YOUR_API_KEY")

probleme = """Un negozio offre uno sconto del 20% su tutti gli articoli.
Un cliente acquista 3 articoli da 45 euro, 2 articoli da 30 euro e 1 articolo da 75 euro.
Dispone inoltre di un buono aggiuntivo da 15 euro applicabile dopo lo sconto.
Qual è l'importo finale da pagare? Dettaglia ogni passaggio."""

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

# Il modello ragiona passo dopo passo:
# 1. Calcola il prezzo totale prima dello sconto
# 2. Applica lo sconto del 20%
# 3. Sottrae il buono da 15 euro
# 4. Verifica il risultato

Il ragionamento impedisce al modello di saltare i passaggi e garantisce che verifichi la coerenza dei suoi calcoli intermedi prima di fornire un importo finale.

Equazioni e sistemi di equazioni

I sistemi di equazioni mettono alla prova questa stessa disciplina in un contesto più formale. Qui, il prompt di sistema impone un requisito rigoroso di dettaglio:

systeme = """Risolvi il seguente sistema di equazioni:
3x + 2y - z = 7
x - y + 2z = 3
2x + 3y + z = 12

Mostra ogni passaggio della soluzione."""

response = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[
        {"role": "system", "content": "Sei un insegnante di matematica. Dettaglia ogni operazione."},
        {"role": "user", "content": systeme}
    ],
)

Il modello inizia scegliendo un metodo—sostituzione, eliminazione o matrici—applica le operazioni una per una e poi sostituisce i valori trovati nelle equazioni originali per verificare che siano soddisfatti. Questo passaggio finale, spesso trascurato dai modelli privi di ragionamento, è ciò che permette di intercettare gli errori di segno.

Dimostrazioni e prove matematiche

Le dimostrazioni matematiche rivelano tutta la potenza del ragionamento, a patto di definire il quadro di riferimento atteso. Per dimostrazioni più lunghe, vale la pena testare Mistral Large 4 in modalità high se Small 4 risultasse insufficiente. Imporre le quattro fasi dell’induzione nel prompt di sistema impedisce al modello di “concludere” basandosi solo su due casi specifici:

demonstration = """Dimostra per induzione che per ogni intero 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": """Sei un matematico rigoroso.
Struttura della dimostrazione attesa:
1. Caso base (Inizializzazione)
2. Ipotesi induttiva
3. Passo induttivo (da n a n+1)
4. Conclusione"""},
        {"role": "user", "content": demonstration}
    ],
)

Enigmi logici

Gli enigmi basati su vincoli sono particolarmente rivelatori perché nessuna singola formula porta alla soluzione; il modello deve esplorare le possibilità ed eliminarle progressivamente. Il classico rompicapo che coinvolge tre amici, tre professioni e tre colori di auto ne è l’esempio più puro.

enigme = """Tre amici (Alice, Bob, Charlie) hanno ciascuno una professione diversa
(medico, avvocato, ingegnere) e un'auto di colore diverso (rosso, blu, verde).

Indizi:
1. Alice non è il medico
2. Il proprietario dell'auto rossa è l'avvocato
3. Bob non ha l'auto verde
4. Charlie non è l'avvocato
5. L'ingegnere ha l'auto blu
6. Alice non ha l'auto rossa

Trova la professione e il colore dell'auto per ciascuna persona."""

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

Nelle sue tracce di ragionamento, il modello elenca le possibilità per ciascuna persona, applica i vincoli uno per uno, elimina le combinazioni impossibili e infine convalida la soluzione selezionata rispetto a tutti e sei gli indizi: Alice è l’ingegnere con l’auto blu, Bob è l’avvocato con l’auto rossa e Charlie è il medico con l’auto verde. Il sesto indizio non è decorativo; senza di esso, Alice e Bob potrebbero scambiarsi i ruoli di avvocato e ingegnere, lasciando l’enigma con due soluzioni. Un buon modello di ragionamento lo segnala; è un modo eccellente per testare i tuoi stessi enunciati di problema. Questo passaggio finale di convalida distingue la deduzione da un’ipotesi fortunata.

Ottimizzazione e probabilità

I problemi di conteggio pongono una sfida simile: la risposta dipende dalla scelta di un modello probabilistico che l’IA deve esplicitare prima di calcolare.

proba = """Un'urna contiene 5 palline rosse, 3 palline blu e 2 palline verdi.
Estraiamo 3 palline senza reinserimento.
Qual è la probabilità di ottenere esattamente 2 palline rosse e 1 pallina blu?
Esprimi il risultato come frazione irriducibile."""

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

Schema: Convalida automatica

Per risultati critici, una singola chiamata non è sufficiente. Puoi sfruttare il ragionamento una seconda volta sottoponendo la soluzione generata a un controllo indipendente: il modello affronta allora il problema avendo già la risposta sotto gli occhi, costringendolo a verificare invece che generare.

def solve_and_verify(client, problem):
    """Risolve un problema e richiede una verifica."""

    # Passaggio 1: Risoluzione
    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)

    # Passaggio 2: Verifica tramite una seconda chiamata
    verify_response = client.chat.complete(
        model="mistral-small-2603",
        reasoning_effort="high",
        messages=[
            {"role": "user", "content": f"""Verifica questa soluzione al seguente problema:

PROBLEMA: {problem}

SOLUZIONE PROPOSTA: {answer}

La soluzione è corretta? In caso contrario, correggila."""}
        ]
    )

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

Confronto: Con e senza ragionamento

Per misurare l’impatto su un esempio concreto, riprendiamo l’enigma delle galline. La proporzionalità è ingannevole e spinge un modello privo di ragionamento verso la risposta “12” attraverso una semplice analogia con il prompt.

probleme_test = "Se 3 galline fanno 3 uova in 3 giorni, quante uova fanno 12 galline in 12 giorni?"

# Senza ragionamento — rischio di errore tramite analogia ingenua (risposta "12")
response_none = client.chat.complete(
    model="mistral-small-2603",
    messages=[{"role": "user", "content": probleme_test}],
    reasoning_effort="none"
)

# Con ragionamento — scomposizione corretta
response_high = client.chat.complete(
    model="mistral-small-2603",
    reasoning_effort="high",
    messages=[{"role": "user", "content": probleme_test}]
)
# Ragionamento atteso: 1 gallina = 1 uovo / 3 giorni
# 12 galline in 12 giorni = 12 * (12/3) = 48 uova

Esegui entrambe le chiamate sui tuoi problemi prima di decidere; è l’unico modo affidabile per sapere se il costo aggiuntivo del ragionamento è giustificato nel tuo dominio.

Punti chiave

  • Il ragionamento eccelle nei problemi matematici a più passaggi
  • Usa un prompt di sistema che imponga una struttura di soluzione (passaggi, verifica)
  • Le dimostrazioni per induzione beneficiano enormemente di un ragionamento strutturato
  • Gli enigmi logici evidenziano l’esplorazione e l’eliminazione delle possibilità
  • Implementa una doppia verifica per i risultati critici
  • Confronta sempre i risultati con e senza ragionamento per convalidare il valore aggiunto