Un modèle de raisonnement, également appelé modèle raisonnant ou grand modèle de raisonnement (LRM), est un grand modèle de langage (LLM) qui a été optimisé pour résoudre des problèmes en plusieurs étapes en générant des étapes intermédiaires, souvent appelées « traces de raisonnement », grâce auxquelles il affine de manière itérative son résultat avant de générer sa réponse finale.
Entraînés à utiliser un raisonnement sophistiqué par chaîne de pensée et d’autres stratégies de prise de décision en plusieurs étapes, les modèles de raisonnement représentent la pointe de la performance des LLM, en particulier en mathématiques, en programmation et dans d’autres domaines reposant sur le raisonnement logique. Initialement présentés comme une catégorie distincte et spécialisée de modèles, ces « modèles raisonnants » sont devenus de plus en plus omniprésents : aujourd’hui, la plupart des LLM modernes proposent un « mode de réflexion » ou des capacités de raisonnement portant un nom similaire.
Le concept de « modèle de raisonnement » a été introduit pour la première fois par o1-preview (et o1-mini) d’OpenAI en septembre 2024, suivi par « Qwen with Questions » (QwQ-32B-preview) d’Alibaba en novembre et par l’expérience Gemini 2.0 Flash de Google en décembre. La publication en janvier 2025 du modèle open source DeepSeek-R1 a marqué une étape décisive dans le développement des LLM dotés de capacités de raisonnement. Alors que les processus d’entraînement utilisés pour affiner les modèles de raisonnement antérieurs étaient des secrets bien gardés, DeepSeek a publié un article technique détaillé fournissant un schéma directeur aux autres développeurs. IBM® Granite, Anthropic et Mistral AI, entre autres, ont depuis lancé leurs propres LLM dotés de capacités de raisonnement.
En d’autres termes, les LLM de raisonnement sont entraînés à passer plus de temps à « réfléchir » avant de répondre. Il a été démontré de façon empirique que l’ajout de ce « processus de raisonnement » permettait d’améliorer considérablement la performance des LLM dans le cadre de tâches de raisonnement complexes. Ce succès a élargi les cas d’utilisation réels et les domaines auxquels les modèles d’IA peuvent être appliqués, marquant un point d’inflexion important dans le développement continu de l’IA générative et des agents d’IA.
Il convient toutefois de noter que les termes anthropomorphiques tels que le « processus de pensée » d’un modèle sont plus pratiques qu’une interprétation au sens littéral. Comme tous les modèles de machine learning, les modèles de raisonnement ne font en fin de compte qu’appliquer des algorithmes sophistiqués pour établir des prédictions (par exemple, le prochain mot) qui reflètent les schémas appris à partir des données d’entraînement. Les LLM de raisonnement n’ont pas fait preuve de conscience ni d’autres signes d’intelligence artificielle générale (AGI). Un article de recherche d’Apple largement cité, présenté lors de la conférence NeurIPS 2025, jette le doute sur la capacité des modèles actuels à évoluer vers un raisonnement véritablement « généralisable ».
Il est peut-être plus juste de dire que les LLM de raisonnement sont entraînés à « montrer leur travail » en générant une séquence de tokens (mots) qui ressemble à un processus de pensée humain. Cet acte de « verbalisation » des pensées semble libérer des capacités de raisonnement latentes que les LLM apprennent implicitement à partir de leur immense corpus de données d’entraînement (qui contient des exemples d’individus exprimant directement ou indirectement leurs propres processus).
Obtenez des informations sur les actualités les plus importantes et les plus intrigantes en matière d’intelligence artificielle. Abonnez-vous à notre newsletter hebdomadaire Think. Lire la Déclaration de confidentialité d’IBM.
L’ajout d’un « processus de pensée » aux résultats du modèle atténue de nombreux défauts inhérents à l’inférence LLM standard en aidant le modèle à éviter les raccourcis cognitifs nuisibles et à faire apparaître des connaissances plus potentiellement pertinentes tirées des données d’entraînement.
Dans le contexte des LLM de raisonnement, la littérature de recherche en IA fait souvent référence aux modes de pensée de « système 1 » et « système 2 », termes inventés par Daniel Kahneman, économiste comportementaliste lauréat du prix Nobel, dans son ouvrage fondateur Thinking, Fast and Slow.Le raisonnement de système 1 est rapide, inconscient et intuitif ; il repose sur des heuristiques et ne nécessite que peu, voire aucun effort. Le raisonnement de système 2 est lent, réfléchi et logique ; il exige un effort concerté. Les recherches ont systématiquement démontré que les LLM autorégressifs ont, par défaut, tendance à recourir à la pensée de système 1.
Pour certaines tâches, la pensée de système 1 est efficace et performante sur le plan computationnel. Mais pour beaucoup d’autres, la pensée impulsive de système 1 s’avère insuffisante. Par exemple, un article publié en 2023 par les chercheurs de Meta Jason Weston et Sainbayar Sukhbaatar a souligné à quel point les LLM se laissent facilement influencer par la présence d’un contexte non pertinent ou de détails subjectifs dans le prompt d’entrée.
Exemple illustrant comment les LLM sans raisonnement sont souvent « distraits » par des informations non pertinentes. Tiré du document « System 2 Attention (is something you might need too). »
Ils ont proposé une classe de techniques qu’ils ont baptisée « System 2 Attention » (S2A), dans laquelle le modèle est chargé d’abord de générer une version réécrite du prompt d’entrée débarrassé du contexte non pertinent, puis de répondre à ce prompt réécrit. Dans les expérimentations, S2A a surpassé l’inférence standard sur diverses tâches, en augmentant la précision et en diminuant la flagornerie.
S2A, une première méthode de mise à l’échelle de l’inférence. En ajoutant des étapes entre l’entrée et la sorte, dans le cas présent pour réécrire le prompt, le modèle améliore sa sortie finale. Tiré du document « System 2 Attention (is something you might need too). »
D’un point de vue conceptuel, l’objectif implicite des approches de raisonnement pourrait être compris comme la mise en œuvre d’un modèle de comportement similaire au Système 2 qui découvre, évalue et affine ses sorties potentielles.
Les fondements des « modèles raisonnants » modernes ont été posés par des articles de recherche précurseurs sur les LLM : l’un rédigé par Google Research en 2021 et l’autre par des chercheurs de l’Université de Tokyo en 2022. Tous deux ont démontré que le simple fait d’ajouter l’expression « réfléchissez étape par étape » (une technique appelée prompting par chaîne de pensée (CoT)) améliore considérablement les résultats des modèles. Un article publié en 2024 par Google DeepMind a formulé une affirmation encore plus générale en proposant une nouvelle loi d’échelle : l’augmentation de la puissance de calcul en phase de test (les ressources utilisées pour générer un résultat) améliore les performances du modèle autant que l’augmentation de la puissance de calcul en phase d’entraînement (les ressources utilisées pour entraîner un modèle). Le prompting CoT prompting n’est qu’une des nombreuses techniques de mise à l’échelle de l’inférence (également appelée mise à l’échelle en phase de test), tout comme la technique S2A.
Les LLM de raisonnement modernes vont plus loin : plutôt que de s’appuyer sur le prompt engineering, ils exploitent des techniques novatrices de réglage fin et des workflows sophistiqués pour augmenter intrinsèquement la quantité de calcul utilisée par le modèle au moment de l’inférence. L’optimisation d’un modèle de raisonnement implique à la fois le défi technique du développement d’algorithmes et de données d’entraînement, et le défi philosophique de la conception d’un « processus de pensée » idéal.
Les étapes initiales de l’entraînement des LLM de raisonnement reflètent celles des LLM conventionnels. Comme les LLM standard, les modèles de raisonnement acquièrent leur installation linguistique générale et leur connaissance du monde grâce à un pré-entraînement auto-supervisé à grande échelle, suivi d’une part de réglages fins supervisée (SFT) pour l’adapter aux tâches en aval (comme l’utilisation d’un chatbot conversationnel). L’innovation centrale est l’application de nouvelles techniques d’apprentissage par renforcement (RL) qui incitent le modèle à générer des « étapes de raisonnement » intermédiaires au moment de l’inférence avant de produire un résultat final.
Des années de recherche et d’expérimentation ont permis d’obtenir un éventail d’approches de raisonnement qui se développent de manière exponentielle, mais elles partagent toutes l’objectif fondamental d’améliorer le calcul du temps de test. Outre le LLM de base (ou adapté aux instructions) qui leur sert de fondement, les modèles de raisonnement se différencient par la stratégie de prise de décision spécifique qu’ils sont formés à employer et par les algorithmes spécifiques utilisés pour encourager ce comportement.
D’une manière générale, il existe deux méthodes principales pour augmenter la capacité de calcul utilisée au temps d’inférence. L’objectif du réglage fin d’un modèle de raisonnement est de l’entraîner à utiliser l’une de ces approches générales (ou les deux) grâce à divers algorithmes d’apprentissage.
La nature des paradigmes d’apprentissage qui produisent des modèles de raisonnement implique généralement une formation et une évaluation sur des problèmes dont les solutions sont vérifiables par nature, tels que des tâches de codage ou des problèmes mathématiques. Les indicateurs de référence utilisés pour évaluer les performances des modèles de raisonnement se concentrent donc généralement sur ces domaines. Beaucoup moins de recherches ont été menées sur l’impact du raisonnement dans des domaines plus subjectifs, tels que l’écriture créative.
Les progrès de l’optimisation basée sur l’apprentissage par renforcement (RL), qui comprennent à la fois le RL basé sur des règles et le RL basé sur l’apprentissage profond (« deep RL »), ont été au cœur de l’essor des LLM dans des contextes de ce type. Alors que l’apprentissage supervisé et auto-supervisé nécessite des tâches d’entraînement statiques bien définies, le RL est bien adapté aux types de tâches dynamiques, ouvertes et complexes pour lesquelles le raisonnement en plusieurs étapes est le plus utile.
L’utilisation du RL pour affiner les LLM d’une manière qui confère des qualités abstraites n’est pas propre aux modèles de raisonnement. Par exemple, le pipeline d’entraînement standard d’un LLM à utiliser dans des environnements de chatbot est le suivant :
Les LLM de raisonnement passent généralement par les mêmes phases d’entraînement, avec l’ajout (à un moment donné) d’une phase d’apprentissage par renforcement qui inculque un processus de raisonnement productif basé sur le CoT. Pour ce faire, on définit les objectifs de ce processus de raisonnement, c’est-à-dire les comportements spécifiques du modèle à « récompenser », comme la génération de traces de raisonnement CoT avant une sortie finale, puis en optimisant les poids du modèle de manière à optimiser la récompense.
Parce qu’il est difficile, voire impossible, de concevoir une fonction de récompense explicite pour une tâche aussi abstraite et complexe qu’un processus de raisonnement qui sera efficace pour toute résolution de problèmes complexes, ce signal de récompense provient souvent d’un modèle de récompense distinct utilisé pendant l’entraînement. Dans le cadre du RLHF, ce modèle de récompense est lui-même entraîné sur le commentaire humain et apprend à prédire un score numérique indiquant dans quelle mesure un humain préférerait une réponse donnée.
Dans le contexte du RL pour les modèles de raisonnement, les signaux de récompense peuvent être divisés en 3 catégories : les modèles de récompense des résultats (ORM), les modèles de récompense des processus (PRM) et les systèmes de récompense basés sur des règles.
Les modèles de récompense par résultat (ORM), comme leur nom l’indique, vérifient la précision du résultat final du modèle de raisonnement et fournissent des signaux de récompense utilisés pour optimiser les poids du modèle en conséquence. À première vue, cela s’apparente au rôle d’une fonction de perte dans l’apprentissage supervisé, bien que les mécanismes soient souvent plus complexes.
Alors qu’une fonction de perte mesure généralement la divergence token par token entre une production de modèle et la vérité terrain, un ORM efficace doit être capable de reconnaître une réponse correcte à un problème mathématique, même lorsqu’il est présenté très différemment de la réponse de vérité terrain disponible, qui est souvent le cas compte tenu de la forte variabilité des sorties CoT longues. De même, la plupart des problèmes de codage du monde réel ont plusieurs solutions : l’évaluation holistique de la production du code nécessite généralement un pipeline de données qui exécute efficacement et vérifie l’efficacité des snippets de code. D’autres qualités de sortie, telles que le fait qu’elle suive le formatage prescrit ou les instructions, peuvent utiliser un LLM standard comme vérificateur.
Bien que les ORM soient une solution relativement simple et efficace en termes de calcul, ils peuvent potentiellement récompenser les situations dans lesquelles des étapes de raisonnement erronées conduisent néanmoins à une réponse finale correcte, ce qui se traduit par des processus de raisonnement sous-optimaux du modèle d’apprentissage.
Les modèles de récompense par processus (PRM) évaluent et récompensent (ou pénalisent) chaque étape individuelle du raisonnement, plutôt que de se concentrer uniquement sur la précision de la réponse finale. Cela permet d’obtenir des signaux de récompense plus fins et d’effectuer des ajustements ultérieurs du modèle, ce qui donne lieu à des modèles dotés d’un processus de raisonnement plus robuste et plus interprétable.
Les PRM sont toutefois plus coûteux et plus longs à entraîner et à mettre en œuvre. Les premières approches influentes en matière de PRM, telles que le jeu de données PRM800K d’OpenAI, reposaient presque entièrement sur un étiquetage laborieux des données par des annotateurs humains. De nombreuses approches ultérieures, comme l’influent Math-Shepherd, ont automatisé ce processus en déduisant la validité d’une étape de raisonnement en fonction de la fréquence à laquelle elle aboutit à une réponse correcte.
Pour éviter les coûts et les complications des modèles de récompense, certaines approches de réglage fin basées sur le RL conçoivent les tâches d’entraînement de manière à simplifier l’évaluation des sorties du modèle.
Par exemple, les techniques DeepSeek-R1 et R1-Zero incitent les modèles à présenter leurs réponses finales dans une zone distincte, ce qui permet de vérifier la précision sans avoir recours à un modèle de récompense spécialisé devant analyser l’intégralité de la réponse. D’autres systèmes de récompense basés sur des règles encouragent des micro-actions spécifiques, telles que l’ajout périodique du mot « attendez » à la réponse du modèle afin de favoriser davantage d’exploration et d’autocorrection. Il a été démontré que l’utilisation de telles micro-actions améliore les résultats finaux et, ce qui est tout aussi important, qu’elle est facile et peu coûteuse à vérifier.
DeepSeek a mis au point une technique de réglage fin par renforcement simple, illustrative et très influente dans le cadre de l’entraînement de son modèle de raisonnement expérimental open source R1-Zero.
En utilisant DeepSeek-V3 comme base, DeepSeek est passé directement du pré-entraînement à un programme d’apprentissage par renforcement basé sur des règles extrêmement simple :
Étonnamment, sans aucune instruction explicite, DeepSeek-R1-Zero a appris à générer des chaînes de pensée complexes et à utiliser des stratégies de raisonnement qui ont donné des performances impressionnantes dans les tâches mathématiques et de raisonnement. En d’autres termes, compte tenu du seul mandat de « Think » avant de produire une réponse finale et de maximiser la précision des réponses finales, le modèle a naturellement recherché et « découvert » des modèles de raisonnement optimaux.
En pratique, cette approche simplifiée présentait des défauts importants : comme l’explique le document technique, « DeepSeek-R1-Zero est confronté à des défis tels que la répétition interminable, une mauvaise lisibilité et le mélange de langages. » Néanmoins, cette approche pure RL a servi de base à la méthodologie plus perfectionnée qui a rendu le modèle DeepSeek-R1 très populaire.
Alors que la plupart des paradigmes RL basés sur CoT visent à optimiser l’efficacité d’une seule sortie de modèle, d’autres méthodes génèrent plusieurs sorties finales ou intermédiaires dans le but d’identifier et d’encourager les meilleures étapes de raisonnement.
Bon nombre de ces approches s’appuient sur des algorithmes d’optimisation par recherche, tels que la recherche en faisceau, l’arbre de pensées ou la recherche arborescente Monte Carlo (MCTS), pour générer et explorer plusieurs chemins de raisonnement. Un modèle de récompense par processus (PRM) évalue la qualité et la réussite de chaque étape de raisonnement, puis une récompense est rétropropagée de manière itérative à travers les chemins de raisonnement ayant conduit aux résultats souhaités. L’optimisation des poids du modèle afin de maximiser la récompense attendue augmente la probabilité que le modèle suive les chemins de raisonnement les plus productifs. Cela s’avère particulièrement utile pour les tâches de raisonnement présentant un très large éventail de décisions possibles ou celles qui nécessitent une planification à long terme approfondie pour avoir une chance d’aboutir à une réponse finale précise.
Alors que les algorithmes basés sur la recherche se concentrent intrinsèquement sur les étapes intermédiaires, les approches par échantillonnage privilégient les résultats finaux. La mise en œuvre la plus élémentaire de la mise à l’échelle de l’inférence par échantillonnage est un simple algorithme du meilleur de N : le même prompt d’entrée est fourni à un modèle N fois, un modèle de récompense par résultat (ORM) est utilisé pour noter chaque résultat, et le résultat auquel l’ORM attribue la note la plus élevée est sélectionné comme réponse finale du modèle.
Un algorithme classique basé sur l’échantillonnage, la cohérence propre (également appelé vote majoritaire), ne nécessite pas d’ORM. Chaque tâche commence par un prompt par chaîne de pensée. Plusieurs réponses, chacune avec ses propres chemins de raisonnement, sont échantillonnées à partir du décodeur du modèle. La réponse finale qui apparaît le plus régulièrement parmi les sorties échantillonnées est considérée comme la réponse optimale. Cette approche peut être utilisée soit comme stratégie de mise à l’échelle en phase de test afin de minimiser le caractère aléatoire et les hallucinations, soit comme moyen de générer des données de raisonnement de haute qualité pour les méthodes basées sur l’affinage supervisé (SFT).
Le principal inconvénient des méthodes basées sur la recherche et l’échantillonnage pour les modèles de raisonnement réside dans la latence accrue (c’est-à-dire des temps de réponse plus longs) et la surcharge de calcul qu’elles entraînent. Cependant, des recherches menées par l’université Carnegie Mellon suggèrent que des modèles plus petits exploitant des algorithmes d’inférence basés sur la recherche ou l’échantillonnage peuvent offrir un meilleur compromis entre performances et efficacité que les modèles plus volumineux utilisés de manière conventionnelle.
Parmi les moyens conceptuels les plus simples d’affiner les modèles pour le raisonnement est d’utiliser simplement l’apprentissage supervisé sur un jeu de données comprenant des prompts d’entrée difficiles et des sorties correspondantes basées sur le CoT.
Alors que l’utilisation de méthodes conventionnelles pour constituer « à la main » un jeu de données d’entraînement à partir d’exemples rédigés par des humains est extrêmement chronophage et exigeante en main-d’œuvre, la prolifération des modèles de raisonnement et des techniques de mise à l’échelle de l’inférence a considérablement facilité la génération de données d’entraînement synthétiques adaptées. Des recherches menées par l’université de Stanford et l’Allen Institute for AI ont montré qu’après avoir affiné le mode Qwen2.5-32B-Instruct sur un jeu de données trié ne comportant que 1 000 paires de questions et de traces de raisonnement, leur modèle « s1 » a surpassé le modèle o1-preview d’OpenAI sur des problèmes de mathématiques de concours.
La distillation de connaissances peut également être utilisée pour apprendre à des modèles plus petits à imiter les processus de réflexion de modèles de raisonnement plus grands, en les affinant via le SFT directement sur les sorties générées par le modèle « enseignant » plus grand. DeepSeek a utilisé la distillation de connaissances, avec DeepSeek-R1 comme modèle enseignant, pour créer des versions optimisées pour le raisonnement de modèles Qwen et Llama de différentes tailles.
D’autres méthodes visent à amorcer un jeu de données de prompts et de longues sorties CoT correspondantes grâce à un processus d’« auto-amélioration » du modèle. Self-Taught Reasoner (STaR) fournit des exemples en few-shot de traces de raisonnement efficaces, puis invite un modèle à générer des réponses et des justifications pour un plus grand nombre de questions types. Le modèle est ensuite affiné sur les justifications ayant finalement abouti à des réponses correctes, après quoi le processus est répété de manière itérative. Reinforced Self-Training (ReST) applique une approche conceptuelle similaire pour affiner le signal de récompense (ou « politique ») utilisé pour l’affinage par renforcement. Ces deux approches ont donné lieu à un certain nombre de méthodologies dérivées.
Malgré leurs points forts et leurs avantages, les LLM de raisonnement ne sont pas sans inconvénients.
Les modèles de raisonnement, et en particulier ceux comportant relativement peu de paramètres, ont tendance à trop réfléchir. Une étude de Tencent a révélé que les modèles de raisonnement consomment en moyenne 1 953 % de tokens de plus que les modèles conventionnels pour parvenir à la même réponse. Une autre étude[x], menée par des chercheurs de plusieurs universités, a montré que dans des environnements agentiques, les modèles de raisonnement ont tendance à s’engager dans un raisonnement circulaire prolongé au lieu d’interagir avec des outils et des sources d’information externes.
Une étude publiée par Anthropic en juillet 2025 a affirmé que cette réflexion excessive ne constituait pas uniquement un problème d’efficacité : leur article, intitulé « Inverse Scaling in Test-Time Compute », explorait « les cas où un raisonnement plus long détériore les performances, mettant en évidence une relation inverse entre le temps de calcul en phase de test et la précision ». Bien qu’il ait été démontré empiriquement que l’augmentation de la puissance de calcul pendant la phase de test puisse souvent améliorer les performances d’un modèle, leurs recherches ont mis en évidence plusieurs scénarios dans lesquels la génération d’un plus grand nombre de tokens de raisonnement avant la sortie finale amplifiait les faiblesses du modèle et les problèmes d’alignement. Cela remet en cause « l’hypothèse selon laquelle un raisonnement plus poussé améliore systématiquement les résultats du modèle ».
Des recherches connexes menées par Apple, évoquées plus haut dans cet article, ont fait ressortir une série de tâches de faible complexité où les modèles standard ont surpassé les modèles de raisonnement, ainsi que des tâches de haute complexité où les deux types de modèles ont échoué de manière flagrante. Dans les travaux d’Apple, les modèles de raisonnement « ne parviennent pas à développer des capacités de résolution de problèmes généralisables pour les tâches de planification, leurs performances s’effondrant à zéro au-delà d’un certain seuil de complexité ».
Si le réglage fin basé sur le raisonnement apporte généralement des améliorations majeures pour les tâches complexes dans des domaines logiques tels que les mathématiques et le codage, il peut également entraîner des baisses de performances dans d’autres domaines. Par exemple, par rapport à leurs versions d’origine, les versions de Llama 3.1 et de Qwen2.5 qui ont été affinées par distillation de connaissances sur DeepSeek-R1 ont montré une régression significative tant sur ArenaHard que sur Alpaca-Eval-2, des références populaires qui mesurent la capacité d’un modèle à réfléchir pour suivre des instructions complexes. Cela dit, des techniques de raisonnement à visée plus large, telles que l’optimisation des préférences de pensée (TPO) utilisée pour affiner IBM Granite 3.2, améliorent considérablement la capacité à suivre des instructions (bien que sans impact significatif sur les performances en mathématiques ou en codage).
Les utilisateurs doivent payer (et attendre) pour tous les tokens générés par le modèle pendant la « réflexion », et ces tokens de réflexion consomment de l’espace disponible dans la fenêtre de contexte disponible. Certains cas d’utilisation justifient ce gain de temps et de calcul, mais pour d’autres, c’est un gaspillage de ressources. Cela dit, passer constamment d’un modèle de raisonnement à un modèle « standard » tâche par tâche et prompt par prompt n’est pas du tout pratique.
Depuis la sortie des tout premiers modèles de raisonnement, le secteur de l’IA a largement adopté les « modèles de raisonnement hybrides » dont l’« effort » de raisonnement ou de réflexion (en d’autres termes, le nombre de tokens de raisonnement qu’ils génèrent avant de produire une sortie finale) peut être ajusté.
En février 2025, IBM Granite 3.2 est devenu le premier LLM à proposer un mode « réflexion » activable, permettant aux utilisateurs de tirer parti du raisonnement lorsqu’ils en ont besoin et de privilégier l’efficacité lorsqu’ils n’en ont pas besoin.16 Claude 3.7 Sonnet d’Anthropic a emboîté le pas plus tard dans le mois, en offrant aux utilisateurs de l’API la possibilité de contrôler de manière très précise la durée pendant laquelle le modèle « réfléchit ». Google a ensuite introduit une fonctionnalité similaire permettant d’ajuster le « budget de réflexion » des modèles Gemini, et OpenAI a rapidement permis de régler l’« effort de raisonnement » de ses modèles de raisonnement o1 et o3 sur « faible », « moyen » ou « élevé ».
Depuis lors, cette approche est pratiquement devenue la norme. Bien que certaines familles importantes de modèles de langage continuent d’être commercialisées avec des variantes distinctes avec et sans raisonnement, la plupart des fournisseurs se contentent de proposer des modèles dotés de capacités de raisonnement dont l’effort peut être désactivé par l’utilisateur.
En apparence, le fait de révéler la chaîne de pensée du modèle à l’utilisateur permet de comprendre exactement comment un LLM parvient à ses réponses finales, offrant ainsi une meilleure interprétabilité que ce qui est habituellement possible avec un modèle standard. Mais des recherches menées par Anthropic suggèrent que les modèles de raisonnement ne disent pas toujours ce qu’ils pensent réellement. À travers une série de tâches spécialement conçues, les chercheurs ont découvert que ni Claude 3.7 Sonnet ni DeepSeek-R1 n’expliquaient fidèlement leur raisonnement : par exemple, lorsqu’on leur fournissait des indices sur la bonne réponse, leurs réponses mentionnaient rarement ces indices lorsqu’ils décrivaient leur prétendu raisonnement.
Accélérez la livraison de logiciels grâce à Bob, votre partenaire IA pour un développement sécurisé et sensible aux intentions.
Concevez facilement des assistants et des agents IA évolutifs, automatisez les tâches répétitives et simplifiez les processus complexes avec IBM watsonx Orchestrate.
Mettez l’IA au service de votre entreprise grâce à l’expertise de pointe d’IBM en matière d’IA et à son portefeuille de solutions.