Les modèles de raisonnement réfléchissent 20 fois trop longtemps à 2+3, mais bâclent les problèmes difficiles

Les modèles de langage ont appris à raisonner avant de répondre, et une question familière à tout ingénieur s'est aussitôt posée : combien de temps consacrer à une tâche donnée ? Sherlock Holmes lisait d'un coup d'œil la biographie d'un client sur ses mains, mais pour une affaire embrouillée, il réclamait trois pipes et cinquante minutes de silence. Son principal talent était de savoir d'avance ce dont chaque problème avait besoin. Pour les modèles, c'est encore un point faible.

Ils ruminent le simple

En décembre 2024, des chercheurs de Tencent AI Lab ont posé aux modèles de raisonnement une question élémentaire : « combien font 2+3 ». QwQ-32B-Preview a trouvé la bonne réponse en 39 tokens, mais ne s'est pas arrêté : il a résolu le problème douze fois de plus par différentes méthodes et dépensé 901 tokens. En moyenne, les modèles de nouvelle génération consommaient près de vingt fois plus de tokens que les modèles classiques pour parvenir au même résultat.

Il n'est pas question que d'argent. Un travail de Meta et de l'Université hébraïque, présenté à l'ICLR 2026, a montré que la chaîne de raisonnement la plus courte d'un modèle peut être plus exacte que la plus longue de 34,5 %. La précision augmente avec la longueur jusqu'à un certain seuil, puis chute, et la courbe ressemble à un U inversé. Des chercheurs d'Anthropic ont ajouté un détail distracteur à un problème simple de comptage de fruits : plus Claude Opus 4 et DeepSeek R1 réfléchissaient longtemps, plus ils se trompaient. Il arrive aussi qu'un modèle trouve la bonne réponse, puis se dissuade lui-même de la retenir.

Ils sous-pensent le complexe

Le problème inverse est apparu lorsque les développeurs ont voulu apprendre aux modèles à économiser. En février 2026, Anthropic a fait de la réflexion adaptative le mode par défaut de Claude Opus 4.6 : le modèle décide lui-même s'il faut réfléchir à une étape.

Au printemps, des programmeurs ont commencé à se plaindre que Claude Code était devenu superficiel : il inventait des versions de l'API Stripe, des hashs de commits et des paquets inexistants. Boris Cherny, créateur de Claude Code, a analysé la télémétrie et constaté qu'aux étapes où le modèle inventait des faits, il n'avait dépensé aucun token en réflexion. Là où il réfléchissait, il répondait correctement.

C'est le problème classique de la batte et de la balle : le système rapide produit une réponse plausible, et le système lent ne s'active pas, parce que le répartiteur a jugé la vérification superflue.

Apprendre à un modèle à choisir son mode est difficile. D'abord, les données pour le mode rapide et le mode raisonnement diffèrent fortement, et un mélange maladroit donne un résultat « médiocre dans les deux directions », selon Junyang Lin de Qwen. Ensuite, lors d'un entraînement par récompenses, le modèle se fige vite dans un seul mode, celui qui rapporte en moyenne le plus de récompense.

Ce qu'on essaie

La méthode Thinkless apprend au modèle à commencer sa réponse par le mot « court » ou « réfléchir », en séparant la récompense du choix du mode de celle de la qualité. Sur des problèmes d'algèbre, le raisonnement s'activait pour un problème sur quatre, les tokens dépensés étaient 2,6 fois moins nombreux, et la précision baissait de moins d'un point de pourcentage. AdaptThink, de Tsinghua, force le modèle à répondre sans raisonner sur la moitié des exemples. Un modèle de 1,5 milliard de paramètres a réduit sa consommation de tokens de 45 à 65 % tout en gagnant légèrement en précision.

L'industrie a tranché de manières différentes. Anthropic a commencé par un budget manuel dans Claude 3.7 Sonnet, est passée au mode adaptatif, et dans les versions 5.x, la réflexion ne peut plus être désactivée : seul le niveau d'effort reste réglable. Alibaba a créé le Qwen3 hybride, l'a abandonné pour séparer Instruct et Thinking, puis est revenue à l'hybride avec Qwen3.5. OpenAI a installé dans GPT-5 un routeur invisible, tombé en panne le jour du lancement, et à l'automne 2026 a remplacé Auto par un curseur à niveaux allant d'Instant à Extra High. DeepSeek a fusionné R1 et V3 en un seul modèle avec les modes Non-Think, Think High et Think Max.

Que faire en pratique

Si vous construisez un produit sur des modèles de raisonnement, ne vous fiez pas aveuglément au choix automatique de la profondeur. Pour les tâches où le coût d'une erreur est élevé (appels d'API, travail sur le code, exactitude factuelle), fixez un niveau d'effort élevé et vérifiez que le modèle raisonne bien aux étapes critiques. Pour les requêtes simples, au contraire, choisissez le mode rapide : vous économisez des tokens et du temps, tout en évitant les doutes inutiles. Et mesurez les deux dérives, car un modèle peut se tromper aussi bien par excès de réflexion que par manque.