Salt la conținutul principal
Română— Alege o limbă
Meniu

Parametrul reasoning_effort

Lecția 2 din 12 Actualizată 2 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Stabilirea profunzimii gândirii
  2. Valori acceptate, model cu model
  3. Implementare în Python
  4. Alegerea nivelului în funcție de sarcină
  5. Măsurarea costului
  6. Rutare în funcție de complexitate
  7. Limite de cunoscut
  8. Puncte cheie

Lecție rescrisă la 2 noiembrie 2026. Versiunea anterioară afirma că reasoning_effort accepta doar două valori și exista doar pe Mistral Small. În realitate, valorile acceptate depind de model, iar Mistral Large 4 oferă trei. Sursă: Reasoning (documentația Mistral).

Stabilirea profunzimii gândirii

Raționamentul ajustabil se bazează pe un principiu simplu: decideți, cerere cu cerere, cât trebuie să gândească modelul înainte de a răspunde. Pârghia se numește reasoning_effort. Îl transmiteți în apelul API la același nivel cu modelul și mesajele, fără a fi necesară nicio altă configurare.

Valori acceptate, model cu model

Aceasta este cea mai frecventă capcană: valorile acceptate depind de model.

ModelValori documentateRecomandare oficială
Mistral Small 4 (mistral-small-2603)high, none—
Mistral Medium 3.5 (mistral-medium-3-5)high, nonehigh pentru fluxuri de lucru agentice și cod
Mistral Large 4 (mistral-large-4-0)low, medium, highÎncepeți cu high, apoi treceți la medium sau low dacă tokenii sau latența sunt prioritare

Pe Small 4 și Medium 3.5, high generează un fragment complet de raționament înainte de răspuns, cu costul unui consum mai mare de tokeni; none reduce raționamentul la minim și îl omite din răspuns. Pe Large 4, scara are trei niveluri: low pentru sarcini simple, medium pentru a echilibra calitatea, tokenii și latența, și high pentru sarcini complexe. Large 4 nu acceptă none: documentația specifică faptul că nivelul numit anterior none în versiunea sa preview se numește acum low.

O ultimă nuanță: tipul ReasoningEffort din SDK-uri enumerează, de asemenea, minimal, xhigh și max, deoarece enumerarea acoperă fiecare model de pe platformă (max este folosit, de exemplu, de modelul terț zai-glm-5-3). Faptul că o valoare apare în enumerare nu înseamnă că modelul dumneavoastră o acceptă.

Implementare în Python

import os
from mistralai.client import Mistral

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

# Mistral Small 4, raționament profund
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, răspuns direct
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, nivel intermediar
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",
)

Structura răspunsului se modifică în funcție de setare. Cu high, message.content este o listă care începe cu un fragment de raționament; cu none, este un șir simplu. Codul dumneavoastră trebuie, prin urmare, să gestioneze ambele forme, așa cum arată lecția următoare.

În TypeScript, parametrul urmează convenția de denumire JavaScript și se scrie 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',
});

Alegerea nivelului în funcție de sarcină

Rezervați raționamentul profund pentru probleme matematice în mai mulți pași, depanarea codului complex, analiza comparativă, planificare, puzzle-uri logice și evaluarea riscurilor. Acestea au o trăsătură comună: sunt posibile multiple căi, iar alegerea uneia greșite este costisitoare.

Dezactivați-l (sau coborâți la cel mai scăzut nivel) pentru întrebări factuale simple, traducere, reformulare, extragerea directă a informațiilor și conversațiile cotidiene. Modelul nu are nimic de arbitrat aici: preia sau transformă, iar o fază de raționament ar adăuga doar latență.

Măsurarea costului

Raționamentul consumă tokeni de ieșire. Exemplul din documentația oficială oferă o ordine de mărime: o ghicitoare despre vârstă trimisă către Mistral Small 4 cu high consumă 77 de tokeni de intrare și 1.114 tokeni de ieșire. La tariful listat pentru Small 4 de 0,15 USD per milion de tokeni de intrare și 0,60 USD per milion de tokeni de ieșire, cererea costă aproximativ 0,0007 USD. Este neglijabil per unitate, dar la un milion de cereri similare, doar raționamentul reprezintă câteva sute de dolari, fără niciun câștig dacă jumătate din întrebări nu necesitau acest lucru.

Câmpul usage din fiecare răspuns vă oferă măsura exactă: urmăriți completion_tokens pe tip de cerere înainte de a generaliza o setare.

Rutare în funcție de complexitate

O soluție simplă este alegerea nivelului în funcție de întrebare, folosind un tabel per model pentru a vă asigura că nu trimiteți niciodată o valoare respinsă:

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):
    """Alege reasoning_effort în funcție de întrebare sau aplică un nivel forțat."""
    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,
    )

Euristica bazată pe cuvinte-cheie rămâne grosieră; este suficientă pentru a rezerva raționamentul cererilor care beneficiază de acesta, iar argumentul level vă permite să forțați o setare. Lecția 12 propune o arhitectură de rutare mai completă.

Limite de cunoscut

Raționamentul crește probabilitatea unui răspuns corect, dar nu îl garantează: verificați rezultatele critice (Lecția 9). De asemenea, crește latența, ceea ce contează într-o interfață conversațională. În final, valoarea transmisă trebuie să corespundă modelului apelat: planificați un tabel ca cel de mai sus, în loc să împrăștiați șiruri de caractere în tot codul dumneavoastră.

Puncte cheie

  • reasoning_effort controlează raționamentul cerere cu cerere, fără altă configurare
  • Small 4 și Medium 3.5 acceptă high și none; Large 4 acceptă low, medium și high, dar nu none
  • Enumerările SDK conțin valori pe care nu toate modelele le acceptă
  • Cu high, content este o listă de fragmente; cu none, un șir de caractere
  • Măsurați costul cu usage.completion_tokens și rutați în funcție de complexitate