Riešenie matematických úloh
Na tejto strane
Lekcia aktualizovaná 2. novembra 2026. Pôvodné príklady využívali model Magistral, ktorý bol 31. júla 2026 vyradený. Teraz volajú Mistral Small 4 (
mistral-small-2603) alebo Mistral Large 4 (mistral-large-4-0) s parametromreasoning_effort="high"a odpoveď spracúvajú pomocou funkcieseparerz Lekcie 3. Zdroj: Reasoning (Mistral Documentation).
Matematika: Ideálne prostredie pre logické uvažovanie
Matematické úlohy predstavujú oblasť, kde logické uvažovanie prináša najväčšiu pridanú hodnotu. Model bez tejto schopnosti síce správne odpovie na „2 + 2“, no často zlyháva pri viacstupňových problémoch, dôkazoch a logických hlavolamoch. So zapnutým uvažovaním model úlohu rozloží, overí každý krok a validuje výsledok – presne to je to, čo pri bežnej generácii token po tokene chýba.
Viacstupňové aritmetické úlohy
Začnime prípadom, kde poradie operácií určuje výsledok. Zľava 20 % nasledovaná poukážkou na 15 € nedá rovnakú sumu ako poukážka uplatnená pred zľavou; unáhlený model si tieto kroky často pomýli.
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
probleme = """A store offers a 20% discount on all items.
A customer buys 3 items at 45 euros, 2 items at 30 euros, and 1 item at 75 euros.
They also have an additional 15-euro voucher applicable after the discount.
What is the final amount to pay? Detail each step."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": probleme}]
)
# The model reasons step by step:
# 1. Calculate total price before discount
# 2. Apply 20% discount
# 3. Subtract 15-euro voucher
# 4. Verify the result
Logické uvažovanie zabraňuje modelu preskakovať kroky a zabezpečuje, že skontroluje konzistentnosť svojich čiastočných výpočtov ešte pred tým, než vráti konečnú sumu.
Rovnice a sústavy rovníc
Sústavy rovníc testujú tú istú disciplínu vo formálnejšom prostredí. Tu systémový prompt vynucuje prísny požiadavku na podrobnosť:
systeme = """Solve the following system of equations:
3x + 2y - z = 7
x - y + 2z = 3
2x + 3y + z = 12
Show every step of the solution."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "system", "content": "You are a mathematics teacher. Detail every operation."},
{"role": "user", "content": systeme}
],
)
Model najprv zvolí metódu – dosadzovaciu, eliminačnú alebo maticovú –, postupne aplikuje operácie a následne dosadí získané hodnoty späť do pôvodných rovníc, aby overil ich platnosť. Práve tento záverečný krok, ktorý modely bez uvažovania často zanedbávajú, odhalí chyby v znamienkach.
Dôkazy a demonstrácie
Matematické dôkazy odhaľujú plný potenciál logického uvažovania, ak definuješ očakávaný rámec. Pri dlhších dôkazoch stojí za to otestovať Mistral Large 4 v režime high, ak Small 4 nestačí. Vynútenie štyroch fáz matematickej indukcie v systémovom prompte zabráni modelu „uzavrieť“ dôkaz len na základe dvoch konkrétnych prípadov:
demonstration = """Prove by induction that for any integer 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": """You are a rigorous mathematician.
Expected proof structure:
1. Base case (Initialization)
2. Inductive hypothesis
3. Inductive step (from n to n+1)
4. Conclusion"""},
{"role": "user", "content": demonstration}
],
)
Logické hlavolamy
Hlavolamy založené na obmedzeniach sú obzvlášť vypovedajúce, pretože k riešeniu nevedie žiadny jediný vzorec; model musí preskúmať možnosti a následne ich eliminovať. Klasický hlavolam s tromi priateľmi, troma povolaniami a tromi farbami áut je tým najčistejším príkladom.
enigme = """Three friends (Alice, Bob, Charlie) each have a different profession
(doctor, lawyer, engineer) and a car of a different color (red, blue, green).
Clues:
1. Alice is not the doctor
2. The owner of the red car is the lawyer
3. Bob does not have the green car
4. Charlie is not the lawyer
5. The engineer has the blue car
6. Alice does not have the red car
Find the profession and car color for each person."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": enigme}]
)
Vo svojich stopách uvažovania model vypíše možnosti pre každú osobu, postupne aplikuje obmedzenia, eliminuje nemožné kombinácie a následne overí vybrané riešenie proti všetkým šiestim nápovediam: Alice je inžinierka s modrým autom, Bob je advokát s červeným autom a Charlie je lekár so zeleným autom. Šiesta nápoveď nie je len ozdobná; bez nej by si Alice a Bob mohli vymeniť role advokáta a inžiniera, čo by viedlo k dvom riešeniam. Dobrý model s logickým uvažovaním na toto upozorní; je to vynikajúci spôsob, ako otestovať vlastné zadania úloh. Práve táto záverečná validačná fáza odlišuje dedukciu od šťastného tipu.
Optimalizácia a pravdepodobnosť
Úlohy na počítanie predstavujú podobnú výzvu: odpoveď závisí od voľby pravdepodobnostného modelu, ktorý musí AI explicitne definovať ešte pred výpočtom.
proba = """An urn contains 5 red balls, 3 blue balls, and 2 green balls.
We draw 3 balls without replacement.
What is the probability of getting exactly 2 red balls and 1 blue ball?
Express the result as an irreducible fraction."""
response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": proba}]
)
Vzorec: Automatická validácia
Pri kritických výsledkoch jedno volanie nestačí. Môžeš využiť logické uvažovanie druhýkrát tak, že vygenerované riešenie predložíš nezávislej kontrole: model sa potom k problému postaví s už známou odpoveďou, čo ho núti skôr overovať než generovať.
def solve_and_verify(client, problem):
"""Solves a problem and requests verification."""
# Step 1: Resolution
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)
# Step 2: Verification via a second call
verify_response = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[
{"role": "user", "content": f"""Verify this solution to the following problem:
PROBLEM: {problem}
PROPOSED SOLUTION: {answer}
Is the solution correct? If not, correct it."""}
]
)
return {
"solution": answer,
"verification": separer(verify_response.choices[0].message.content)[1],
}
Porovnanie: S uvažovaním a bez neho
Aby sme zmerali dopad na konkrétnom príklade, vráťme sa k hlavolamu so sliepkami. Proporcionalita je zavádzajúca a tlačí model bez uvažovania k odpovedi „12“ prostredníctvom jednoduchej analógie so zadaním.
probleme_test = "If 3 chickens lay 3 eggs in 3 days, how many eggs do 12 chickens lay in 12 days?"
# Without reasoning — risk of error via naive analogy (answer "12")
response_none = client.chat.complete(
model="mistral-small-2603",
messages=[{"role": "user", "content": probleme_test}],
reasoning_effort="none"
)
# With reasoning — correct decomposition
response_high = client.chat.complete(
model="mistral-small-2603",
reasoning_effort="high",
messages=[{"role": "user", "content": probleme_test}]
)
# Expected reasoning: 1 chicken = 1 egg / 3 days
# 12 chickens in 12 days = 12 * (12/3) = 48 eggs
Spusť obe volania na vlastných problémoch, než sa rozhodneš; je to jediný spoľahlivý spôsob, ako zistiť, či sú dodatočné náklady na logické uvažovanie vo tvojej oblasti opodstatnené.
Kľúčové poznatky
- Logické uvažovanie vyniká pri viacstupňových matematických úlohách
- Použi systémový prompt, ktorý vynucuje štruktúru riešenia (kroky, overenie)
- Dôkazy matematickou indukciou profitujú enormne zo štruktúrovaného uvažovania
- Logické hlavolamy zvýrazňujú preskúmavanie a elimináciu možností
- Implementuj dvojité overenie pre kritické výsledky
- Vždy porovnávaj výsledky s uvažovaním a bez neho, aby si overil pridanú hodnotu