Risoluzione di problemi matematici
In questa pagina
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) conreasoning_effort="high", analizzando la risposta tramite la funzioneseparerdella 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