Przejdź do głównej treści
Polski— Wybierz język
Menu

Parametr reasoning_effort

Lekcja 2 z 12 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Ustawianie głębokości myślenia
  2. Dopuszczalne wartości w zależności od modelu
  3. Implementacja w Pythonie
  4. Dobór poziomu do zadania
  5. Pomiar kosztów
  6. Routing według złożoności
  7. Ograniczenia, które warto znać
  8. Kluczowe wnioski

Lekcja przepisana 2 listopada 2026 r. Poprzednia wersja stwierdzała, że reasoning_effort akceptuje tylko dwie wartości i istnieje wyłącznie w modelu Mistral Small. W rzeczywistości dopuszczalne wartości zależą od modelu, a Mistral Large 4 oferuje trzy. Źródło: Reasoning (dokumentacja Mistral).

Ustawianie głębokości myślenia

Dostosowywalne rozumowanie opiera się na prostej zasadzie: to Ty decydujesz, żądanie po żądaniu, jak długo model ma myśleć przed udzieleniem odpowiedzi. Dźwignią jest parametr reasoning_effort. Przekazujesz go w wywołaniu API na tym samym poziomie co model i wiadomości, bez konieczności żadnej dodatkowej konfiguracji.

Dopuszczalne wartości w zależności od modelu

To najczęstsza pułapka: dopuszczalne wartości zależą od modelu.

ModelUdokumentowane wartościOficjalna rekomendacja
Mistral Small 4 (mistral-small-2603)high, none—
Mistral Medium 3.5 (mistral-medium-3-5)high, nonehigh dla przepływów pracy agentów i kodu
Mistral Large 4 (mistral-large-4-0)low, medium, highZacznij od high, następnie przełącz się na medium lub low, jeśli tokens lub opóźnienia mają większe znaczenie

W modelach Small 4 i Medium 3.5 wartość high generuje pełny fragment rozumowania przed odpowiedzią, kosztem większego zużycia tokenów; none redukuje rozumowanie do minimum i pomija je w odpowiedzi. W modelu Large 4 skala ma trzy poziomy: low dla prostych zadań, medium dla zrównoważenia jakości, tokenów i opóźnień oraz high dla zadań złożonych. Large 4 nie akceptuje none: dokumentacja precyzuje, że poziom dawniej nazywany none w wersji preview nosi teraz nazwę low.

Ostatni niuans: typ ReasoningEffort w SDK wymienia również minimal, xhigh i max, ponieważ enumeracja obejmuje każdy model na platformie (max jest używany np. przez model zewnętrzny zai-glm-5-3). Fakt pojawienia się wartości w enumeracji nie oznacza, że Twój model ją akceptuje.

Implementacja w Pythonie

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Mistral Small 4, głębokie rozumowanie
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, bezpośrednia odpowiedź
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, poziom pośredni
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",
)

Struktura odpowiedzi zmienia się wraz z ustawieniem. Przy high, message.content jest listą zaczynającą się od fragmentu rozumowania; przy none jest to zwykły ciąg znaków. Twój kod musi zatem obsługiwać obie formy, co pokaże następna lekcja.

W TypeScript parametr podlega konwencji nazewnictwa JavaScript i zapisuje się go jako 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',
});

Dobór poziomu do zadania

Rezerwuj głębokie rozumowanie dla wieloetapowych problemów matematycznych, złożonego debugowania kodu, analiz porównawczych, planowania, łamigłówek logicznych i oceny ryzyka. Łączy je wspólna cecha: możliwych jest wiele ścieżek, a wybór niewłaściwej jest kosztowny.

Wyłącz je (lub zejdź do najniższego poziomu) w przypadku prostych pytań faktograficznych, tłumaczenia, parafrazy, bezpośredniego wydobywania informacji i codziennej rozmowy. Model nie ma tu nic do arbitrażu: jedynie pobiera lub przekształca dane, a faza rozumowania tylko dodałaby opóźnienia.

Pomiar kosztów

Rozumowanie kosztuje tokeny wyjściowe. Przykład z oficjalnej dokumentacji daje poczucie skali: zagadka dotycząca wieku wysłana do Mistral Small 4 z ustawieniem high zużywa 77 tokenów wejściowych i 1114 tokenów wyjściowych. Przy cenie Small 4 wynoszącej 0,15 USD za milion tokenów wejściowych i 0,60 USD za milion tokenów wyjściowych, żądanie kosztuje około 0,0007 USD. To znikomo mało w przeliczeniu na jednostkę, ale przy milionie podobnych żądań samo rozumowanie reprezentuje koszt rzędu kilkuset dolarów, bez żadnego zysku, jeśli połowa pytań go nie wymagała.

Pole usage w każdej odpowiedzi daje Ci dokładny pomiar: śledź completion_tokens według typu żądania przed uogólnieniem ustawienia.

Routing według złożoności

Prostym obejściem jest dobór poziomu na podstawie pytania, z użyciem tabeli dla każdego modelu, aby upewnić się, że nigdy nie wyślesz odrzuconej wartości:

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):
    """Wybiera reasoning_effort na podstawie pytania lub stosuje wymuszony poziom."""
    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,
    )

Heurystyka oparta na słowach kluczowych pozostaje prymitywna; wystarcza jednak, by rezerwować rozumowanie dla żądań, które na tym skorzystają, a argument level pozwala wymusić ustawienie. Lekcja 12 proponuje pełniejszą architekturę routingu.

Ograniczenia, które warto znać

Rozumowanie zwiększa prawdopodobieństwo poprawnej odpowiedzi, ale jej nie gwarantuje: weryfikuj wyniki krytyczne (Lekcja 9). Zwiększa również opóźnienia, co ma znaczenie w interfejsie konwersacyjnym. Na koniec, przekazana wartość musi pasować do wywoływanego modelu: zaplanuj tabelę taką jak powyższa, zamiast rozrzucać ciągi znaków po całym kodzie.

Kluczowe wnioski

  • reasoning_effort steruje rozumowaniem żądanie po żądaniu, bez żadnej innej konfiguracji
  • Small 4 i Medium 3.5 akceptują high i none; Large 4 akceptuje low, medium i high, ale nie none
  • Enumeracje w SDK zawierają wartości, których nie wszystkie modele akceptują
  • Przy high, content jest listą fragmentów; przy none – ciągiem znaków
  • Mierz koszt za pomocą usage.completion_tokens i stosuj routing według złożoności