Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Chain-of-thought

Le chain-of-thought (CoT, chaîne de pensée) est une méthode de prompting dans laquelle un modèle de langage écrit des étapes de raisonnement intermédiaires avant sa réponse finale, ce qui tend à améliorer les résultats en mathématiques, en logique et sur d'autres problèmes en plusieurs étapes.

Aussi appelé : CoT, chain-of-thought prompting, Zero-shot-CoT

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Au lieu de demander directement une réponse à un modèle, un prompt chain-of-thought l'amène à résoudre le problème étape par étape. Chaque étape devient du texte sur lequel le modèle peut s'appuyer, un peu comme une personne qui pose un calcul.

D'où cela vient

L'article de 2022 de Wei et ses collègues a montré que fournir à un modèle quelques exemples comportant un raisonnement détaillé, une forme de few-shot prompting, améliorait les grands modèles sur des tâches d'arithmétique, de bon sens et de raisonnement symbolique. Un article ultérieur de Kojima et ses collègues a constaté que le simple ajout de « Let's think step by step » (« Réfléchissons étape par étape ») pouvait produire un effet similaire sans exemples, une approche qu'ils ont appelée Zero-shot-CoT (voir zero-shot).

Exemple

À la question « Une boutique vend des stylos à 2 dollars les 3. Combien coûtent 12 stylos ? », un modèle invité à raisonner en chain-of-thought pourrait écrire : 12 stylos font 4 groupes de 3, chaque groupe coûte 2 dollars, donc le total est de 8 dollars. Voir les étapes rend aussi les erreurs plus faciles à repérer.

Lien avec les modèles de raisonnement

Les modèles de raisonnement sont entraînés à produire un long raisonnement avant de répondre : vous n'avez donc plus besoin de le demander dans le prompt. C'est une forme de calcul au moment du test : dépenser plus de tokens au moment de répondre pour obtenir de meilleurs résultats.

Limites

Les étapes de raisonnement ajoutent des tokens de sortie, ce qui augmente le coût et la latence. Les étapes écrites ne sont pas un compte rendu garanti de la façon dont le modèle est parvenu à sa réponse, et une chaîne assurée peut tout de même aboutir à un résultat faux. Pour des recherches simples ou de courtes classifications, elle ajoute souvent du coût sans grand bénéfice.

Termes liés

Modèle de raisonnement
Un modèle de raisonnement (reasoning model) est un modèle de langage entraîné à résoudre un problème au fil d'un flux de tokens de réflexion intermédiaires avant de donner sa réponse finale, ce qui aide généralement en mathématiques, en code et sur les tâches à plusieurs étapes.
Prompt engineering
Le prompt engineering (ingénierie de prompts) consiste à rédiger, structurer et tester les instructions et les exemples donnés à un modèle de langage pour qu'il produise la sortie dont une application a besoin, sans modifier les poids du modèle.
Few-shot prompting
Le few-shot prompting (prompting par quelques exemples) consiste à donner à un modèle de langage une poignée d'exemples résolus d'une tâche dans le prompt, pour qu'il reproduise le schéma sur une nouvelle entrée sans aucun réentraînement.
Zero-shot
Le zero-shot consiste à demander à un modèle d'effectuer une tâche à partir d'une simple instruction, sans exemple travaillé dans le prompt ni entraînement propre à la tâche. Le modèle ne s'appuie que sur ce qu'il a déjà appris.
Test-time compute
Le test-time compute (calcul au moment de l'inférence) est la quantité de calcul qu'un modèle consacre à répondre à une requête, et non à l'entraînement. Laisser un modèle réfléchir plus longtemps ou essayer plusieurs réponses peut améliorer les résultats sur les problèmes difficiles.

Sources