Niveau : Intermédiaire · Prérequis : Few-shot learning · Temps de lecture : ~6 min
Qu’est-ce que le raisonnement en chaîne ?
Le Chain-of-Thought est une technique de prompting qui incite le modèle à produire des étapes intermédiaires avant sa réponse finale. En pratique, demandez plutôt les hypothèses, calculs et contrôles utiles qu’un long monologue de « pensée ». Cette approche a été formalisée dans un article de recherche de Google en 2022 (Chain-of-Thought Prompting Elicits Reasoning in Large Language Models). Elle a amélioré les résultats de certains grands modèles sur plusieurs benchmarks mathématiques et logiques. Le gain dépend toutefois du modèle, de la tâche et de la manière d’évaluer la réponse.Pourquoi “réfléchis étape par étape” améliore les réponses
Un LLM génère du texte token par token. Une décomposition explicite lui fournit des résultats intermédiaires qu’il peut réutiliser dans la suite de sa réponse. Elle donne aussi au lecteur des éléments concrets à contrôler.Une explication produite n’est pas une radiographie du raisonnement interne. Le modèle peut construire après coup une justification plausible d’une réponse fausse. Vérifiez les calculs, les sources et les hypothèses sur les tâches critiques.
- Décomposer les problèmes multi-étapes en sous-problèmes gérables.
- Conserver des résultats intermédiaires utiles pour la suite de la génération.
- Rendre la réponse vérifiable, afin que vous puissiez identifier et corriger une erreur.
CoT par exemples ou par instruction
Il existe deux manières principales d’activer le raisonnement en chaîne.CoT standard (few-shot)
Vous fournissez des exemples qui incluent explicitement le raisonnement intermédiaire :Instruction de décomposition sans exemple
Sans fournir d’exemple, décrivez les éléments intermédiaires que vous voulez pouvoir contrôler :Exemple pas à pas : résolution d’un problème
Voici comment un modèle guidé par CoT déroule un raisonnement logique. Prompt :1
Lister les informations connues
Le modèle identifie les relations explicites :
- Sophie < Thomas (Sophie est plus jeune que Thomas)
- Lucas < Thomas (Thomas est plus vieux que Lucas)
- Sophie < Lucas (Lucas est plus vieux que Sophie)
2
Établir un ordre partiel
En combinant les deux premières relations, on sait que Thomas est plus vieux à la fois que Sophie et que Lucas.
La troisième relation précise la position relative de Sophie et Lucas : Sophie < Lucas.
3
Reconstruire l'ordre complet
En combinant toutes les relations :
Sophie < Lucas < ThomasL’ordre complet du plus jeune au plus vieux est : Sophie, puis Lucas, puis Thomas.
4
Formuler la réponse finale
Thomas est le plus vieux des trois.Le raisonnement intermédiaire a permis d’éviter une erreur classique : confondre “Thomas est plus vieux que Lucas” avec “Lucas est le deuxième”.
Tree of Thought : aller au-delà du CoT linéaire
Le Tree of Thought (ToT) est une extension du CoT qui explore plusieurs branches de raisonnement en parallèle avant de choisir la plus prometteuse. Plutôt qu’une chaîne linéaire A → B → C, le modèle génère des alternatives à chaque étape et évalue leur pertinence.Self-consistency : voter entre plusieurs raisonnements
La self-consistency pousse le CoT encore plus loin : au lieu de demander un seul raisonnement, vous en demandez plusieurs (en relançant plusieurs fois la même requête avec une température élevée), puis vous sélectionnez la réponse finale par vote majoritaire.Quand utiliser le Chain-of-Thought ?
Le CoT n’est pas toujours nécessaire. Voici un guide pratique :
La décomposition est utile dès qu’une tâche exige plusieurs étapes de déduction, de calcul ou d’analyse. Pour une tâche simple, elle ajoute surtout de la longueur.
De nombreux modèles récents disposent d’un raisonnement natif ou d’un niveau d’effort réglable. Ils peuvent effectuer un travail interne avant de répondre, sans afficher une chaîne de pensée complète. Vous n’avez pas besoin de leur demander de révéler ce raisonnement. Demandez plutôt une réponse concise accompagnée des éléments vérifiables dont vous avez réellement besoin : hypothèses, calculs, critères, sources ou test final.
Exercice pratique
Testez vos connaissances
Quiz : une explication détaillée prouve-t-elle que la réponse du modèle est correcte ?
Quiz : une explication détaillée prouve-t-elle que la réponse du modèle est correcte ?
Non. Un modèle peut produire une justification cohérente mais fausse. Une bonne consigne demande des éléments contrôlables : hypothèses explicites, calculs, sources, critères et test final. La vérification reste indispensable dès que l’enjeu est important.