Techniques de raisonnement

Décompose les problèmes complexes en une série d'étapes de raisonnement intermédiaires

Explore plusieurs chemins de raisonnement par ramification et retour en arrière

Raisonnement non linéaire où les pensées sont des nœuds et les dépendances des arêtes

Combine le raisonnement et l'action grâce à l'utilisation d'outils externes

Génère plusieurs arbres de raisonnement pour renforcer la diversité et la robustesse

Conscience de soi et suivi de la qualité et du niveau de confiance du raisonnement

Alloue dynamiquement les ressources de calcul en fonction de la complexité du problème

MCTS améliorée par une réflexion contrastive pour une meilleure exploration

Décomposition progressive du problème, des composants les plus simples aux plus complexes

Résout les problèmes en repérant et en appliquant des schémas similaires issus de domaines connus

Établit et suit des relations de cause à effet explicites

Infère l'explication la plus plausible à partir d'observations incomplètes

Remonte à des principes de plus haut niveau avant d'aborder les problèmes spécifiques

Maintient un tampon dynamique de schémas de pensée réutilisables pour le raisonnement par analogie

Génère un plan squelette, puis développe chaque point en parallèle afin de réduire la latence tout en préservant la structure

Raisonnement itératif dans un espace latent continu, sans génération explicite de tokens

Échantillonne plusieurs chaînes de pensée variées à température non nulle, puis agrège leurs réponses finales par vote majoritaire ou pondéré par la confiance. Comme une réponse correcte est généralement atteinte par de nombreux cheminements de raisonnement différents alors que les erreurs individuelles se dispersent, la réponse de consensus est bien plus fiable que n'importe quel décodage glouton unique.

Réduit les hallucinations en rédigeant d'abord une réponse de base, en planifiant une série de questions de vérification à son sujet, en répondant à chacune de ces questions de manière indépendante afin que les vérifications ne soient pas biaisées par le brouillon, puis en révisant la réponse finale à l'aide des seuls faits vérifiés. La vérification factorisée, où les contrôles s'exécutent dans des contextes séparés, surpasse le fait de laisser le modèle revérifier son propre brouillon, ce qui tend à reproduire ses propres erreurs.

Avant de planifier une demande sous-spécifiée ou d'agir en conséquence, l'agent décide d'abord s'il doit poser une question (détection d'ambiguïté), puis génère la question de clarification la plus informative possible (formulée comme le gain d'information attendu sur les interprétations plausibles), et ne s'engage qu'ensuite dans un plan. Les LLM prêts à l'emploi reconnaissent l'ambiguïté lorsqu'on le leur demande explicitement, mais optent massivement, par défaut, pour une réponse muette fondée sur une seule supposition ; poser la question est donc un comportement explicitement entraîné ou induit par le prompt. À distinguer des modèles d'interface à initiative mixte, qui concernent le basculement du contrôle de l'UI, et du human-in-the-loop, qui approuve une action déjà choisie plutôt que de lever l'ambiguïté sur l'intention.