Chain-of-thought (CoT)

Le Chain-of-Thought (CoT) demande au modèle de détailler son raisonnement avant de donner la réponse. Améliore fortement la qualité sur les tâches complexes.

1. Le principe

Au lieu de demander la réponse directement, on demande au modèle de réfléchir à voix haute étape par étape.

Sans CoT :

« Si Marie a 3 fois l'âge de Pierre, et que dans 5 ans la somme de leurs âges sera 50, quel est l'âge de Pierre ? » → Le modèle peut hésiter ou se tromper.

Avec CoT :

« ... Réfléchis étape par étape avant de donner la réponse finale. » → Le modèle décompose : pose l'équation, résout, vérifie.

2. Trois façons de déclencher le CoT

a) Mot-clé simple

« Réfléchis étape par étape. » « Explique ton raisonnement. » « Décompose le problème. »

b) Format imposé

« Réponds en remplissant : Étape 1 : … Étape 2 : … Réponse finale : … »

c) Few-shot CoT Donne 1-2 exemples où le raisonnement est explicite, puis pose ta question.

3. Pourquoi ça marche

Générer son raisonnement alloue plus de calcul à la résolution. Le modèle « pense plus longtemps » au lieu de prédire une réponse directe.

C'est particulièrement utile pour :

• Mathématiques et logique
• Raisonnement multi-étapes
• Décisions complexes (peser des facteurs)
• Analyse de code ou de données

4. Variantes avancées

• Self-consistency : générer plusieurs raisonnements, garder la réponse majoritaire
• Tree of Thoughts : explorer plusieurs chemins de raisonnement comme un arbre
• ReAct : alterner raisonnement et action (utiliser un outil)

5. Limites

• Plus long = plus cher en tokens
• Le modèle peut sembler raisonner mais se tromper logiquement (rationalisation a posteriori)
• Sur des tâches simples, le CoT ralentit sans gain

6. Bonne pratique

Utilise le CoT quand :

• La tâche demande plus de 2 étapes
• Tu observes des erreurs de raisonnement
• L'enjeu justifie le coût supplémentaire