Introduktion till AI-resonemang hos Mistral
På denna sida
Kursen omarbetades den 2 november 2026. Denna kurs byggde ursprungligen på Magistral-modellerna, som helt togs ur bruk den 31 juli 2026. Hos Mistral hanteras resonemang nu via parametern
reasoning_effortsom finns tillgänglig för allmänna modeller: Mistral Small 4, Mistral Large 4 och Mistral Medium 3.5 (avskriven, planerad avveckling 30 april 2027). Alla tolv lektioner har skrivits om baserat på den officiella dokumentationen: Reasoning · Models.
Varför resonemang förändrar spelreglerna
När du ställer en komplex fråga till en vanlig språkmodell genererar den sitt svar token för token utan en genuin eftertankefas. För omformuleringar eller faktfrågor blir resultatet ofta korrekt. Men när modellen ställs inför flerstegsproblem eller krävande logiskt resonemang försämras prestanda avsevärt: modellen låser sig vid en riktning från de första orden och har inget utrymme att korrigera sig själv.
Resonemang ändrar denna dynamik. I Mirals dokumentation presenteras det som nästa steg i utvecklingen av “chain of thought”: modellen är tränad att fritt generera en kedja av reflektioner innan den levererar sitt slutgiltiga svar. Den utforskar problemet djupare och förbättrar sin lösning genom att spendera mer beräkningskraft vid inferens. Detta kallas Test Time Computation: att investera beräkningskraft under inferens, inte bara under träning.
Kostnaden och nyttan med eftertanke
Principen är enkel: ju mer en modell tänker innan den svarar, desto bättre blir svaret på komplexa uppgifter. Konkret genererar den tankegångar: hypoteser, mellanliggande beräkningar, verifieringar och tillbakaträdanden. Dessa extra token kostar tid och budget. I ett exempel från den officiella dokumentationen konsumerar en liten åldersgåta ställd till Mistral Small 4 med högt resonemangsbehov 77 input-token och 1 114 output-token för ett slutgiltigt svar på bara några rader: huvuddelen av kostnaden är själva tänkandet.
Resonemang excellerar i komplexa användningsfall, börjande med matematik och kodning, men det gäller även många andra situationer: analys, planering och beslutsfattande.
Tänk på ett klassiskt problem för att mäta skillnaden. En far har tre barn; produkten av deras åldrar är 36, summan av deras åldrar är grannens husnummer, och det äldsta barnet spelar piano. Hur gamla är de? Utan resonemang gissar en modell och får sällan rätt. Med resonemang räknar den upp uppdelningarna av 36 i tre faktorer, beräknar summan för varje, noterar att två av dem har samma summa (1, 6, 6 och 2, 2, 9 blir båda 13: detta är tvetydigheten som antyds i prompten), och använder sedan ledtråden om det “äldsta” barnet för att lösa gåtan: 2, 2 och 9 år gamla.
Strukturen för ett svar med resonemang
När resonemang är aktiverat är svaret inte längre en enkel sträng. Fältet message.content blir en lista med block: först ett tankeblock av typen thinking, som i sig innehåller en lista med textblock; sedan ett block av typen text, som innehåller det slutgiltiga svaret. Här är den förenklade form som returneras av API:t:
{
"role": "assistant",
"content": [
{
"type": "thinking",
"thinking": [
{"type": "text", "text": "... thinking traces ..."}
]
},
{"type": "text", "text": "... final answer ..."}
]
}
Denna separation är värdefull: den låter dig visa eller dölja tankeprocessen beroende på din applikation. En pedagogisk handledare kan visa tankegångarna; en kundvänd assistent visar bara slutsatsen. Lektion 3 beskriver i detalj hur du läser dessa block, även i strömningsläge.
Resonemang hos Mistral i november 2026
Mistral erbjöd initialt en dedikerad serie, Magistral (Small och Medium, versionerna 25.06, 25.07 och 25.09), där resonemang alltid var aktiverat. Denna serie är nu helt avvecklad: resonemang har blivit en funktion hos allmänna modeller, konfigurerat per begäran med parametern reasoning_effort.
| Modell | API-identifierare | Status per 2 november 2026 | Nivåer för reasoning_effort |
|---|---|---|---|
| Mistral Small 4 | mistral-small-2603 | Tillgänglig (släppt 16 mars 2026) | high, none |
| Mistral Large 4 | mistral-large-4-0 | Offentlig förhandsversion (släppt 6 oktober 2026) | low, medium, high |
| Mistral Medium 3.5 | mistral-medium-3-5 | Avskriven, avvecklas 30 april 2027 | high, none |
Mistral Small 4 beskrivs i sitt officiella faktablad som en hybridmodell som kombinerar instruktioner, resonemang och kod i en enda modell. Det är den naturliga startpunkten för denna kurs. Mistral Large 4 erbjuder en skala med tre nivåer och ett kontextfönster på en miljon token; den finns kvar som offentlig förhandsversion, vilket kräver försiktighet i produktion. Lektion 5 jämför dessa modeller i detalj.
När du ska använda resonemang
Resonemang är inte nödvändigt överallt, och att aktivera det systematiskt är som att betala en försäkringspremie för riskfria resor. Det tillför verkligt värde för matematik, logik, felsökning, jämförande analys, planering och flerstegsproblem. Det är överflödigt för enkel översättning, omformulering, direkta faktfrågor eller kortare kreativt skrivande.
Hela utmaningen ligger i att balansera kvalitet mot tokenförbrukning. Kursen fortskrider i tre steg: konfigurera och läsa resonemang (lektion 1 till 4), välja modell, prompta den effektivt och migrera från Magistral (lektion 5 till 8), för att sedan tillämpa det på matematik, kod och beslutsfattande (lektion 9 till 12).
Viktiga punkter
- Test Time Computation investerar beräkningskraft vid inferens för att förbättra komplexa svar
- Med resonemang blir
message.contenten lista: ettthinking-block (reflektionen) följt av etttext-block (svaret) - Magistral-serien avvecklades den 31 juli 2026: resonemang konfigureras nu med
reasoning_effort - Mistral Small 4 (
mistral-small-2603) är startpunkten; Mistral Large 4 (mistral-large-4-0) riktar sig till de mest krävande fallen - Resonemang är motiverat för matematik, kod och beslutsfattande, inte för enkla uppgifter