Modèles de raisonnement IA : chain-of-thought, test-time compute et benchmarks

Pendant trois ans, la recette du progrès en intelligence artificielle a tenu en une équation : plus de paramètres, plus de données, plus de calcul à l'entraînement. Puis, en septembre 2024, OpenAI a présenté o1, un modèle qui affichait ouvertement un temps de réflexion avant de répondre. La bascule n'était pas cosmétique. En laissant le modèle « penser » plus longtemps au moment de la requête, o1 a fait un bond sur des épreuves de mathématiques où les meilleurs modèles de la génération précédente plafonnaient. Quatre mois plus tard, le laboratoire chinois DeepSeek publiait R1, un modèle de raisonnement ouvert aux performances comparables, avec le code et les poids en accès libre. Une nouvelle famille de modèles était née, et une nouvelle dimension de la mise à l'échelle avec elle.

Cet article propose une plongée pédagogique dans les modèles de raisonnement : d'où vient l'idée de la chaîne de pensée, comment ces systèmes sont entraînés, ce que recouvre exactement le fameux « calcul au moment de l'inférence », et surtout ce que disent les benchmarks — AIME, GPQA, MATH, Codeforces, ARC-AGI — quand on va lire les chiffres officiels plutôt que les gros titres. L'objectif est de donner des repères qui restent valables au-delà de la version du mois, car le paradigme, lui, s'est installé pour durer.

Un mot de méthode, d'abord. Le domaine bouge vite, et beaucoup de chiffres circulent sans protocole. Nous nous appuyons sur les rapports techniques publiés, les cartes de modèles et les évaluations indépendantes reproductibles. Quand un chiffre est une estimation, il est présenté comme tel. Et quand une version n'existe pas, nous ne l'inventons pas — cette rigueur est le seul socle solide dans un secteur où l'annonce précède parfois la réalité.

Du prompt engineering au raisonnement natif

Pour comprendre ce que ces modèles changent, il faut se rappeler ce qui les précède. Les grands modèles de langage classiques — GPT-4, les premières versions de Claude et de Gemini — produisaient leur réponse en une seule passe, token après token, sans mécanisme interne de vérification. Ce fonctionnement est remarquablement efficace pour rédiger, résumer, traduire ou converser. Il montre ses limites dès qu'un problème exige d'enchaîner plusieurs étapes de raisonnement dont chacune dépend de la précédente.

Le plafond du prompt engineering

La communauté a longtemps cherché à contourner cette limite par le prompt engineering. Few-shot prompting, instructions système détaillées, génération augmentée par récupération (RAG) : chaque technique améliorait la qualité des sorties. Aucune ne dotait le modèle d'un véritable processus de réflexion intermédiaire. Un système qui génère sa réponse d'un trait ne peut pas revenir en arrière, reconsidérer une hypothèse ni vérifier la cohérence de son cheminement. Sur un problème de mathématiques à cinq ou six étapes, une seule erreur d'enchaînement suffit à faire dérailler l'ensemble, même quand chaque étape prise isolément est triviale pour le modèle.

Chain-of-thought : la percée conceptuelle

Le tournant théorique porte une date et un titre précis. En janvier 2022, une équipe de Google Research menée par Jason Wei publie « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models ». L'idée tient en une phrase : au lieu de demander directement la réponse, on demande au modèle de dérouler une série d'étapes de raisonnement intermédiaires — une chaîne de pensée — avant de conclure. Sur les tâches arithmétiques, de sens commun et de raisonnement symbolique, les gains sont immédiats et parfois spectaculaires, de l'ordre de plusieurs dizaines de points de pourcentage sur les modèles suffisamment grands.

Cette percée avait néanmoins une fragilité. Le chain-of-thought par prompting restait externe au modèle : il suffisait de retirer la consigne « raisonne étape par étape » pour que les performances retombent. La capacité de raisonnement n'était pas ancrée dans le modèle, elle était sollicitée de l'extérieur, au coup par coup. Le véritable saut consistait à faire du raisonnement une propriété entraînée du modèle, activée par défaut plutôt que par une astuce de formulation.

La chaîne de pensée est passée du statut de technique de formulation à celui de méthode d'entraînement. C'est ce déplacement, discret en apparence, qui a ouvert une nouvelle trajectoire de progrès.

De la technique au paradigme

Ce déplacement a fait émerger une seconde dimension de mise à l'échelle. Historiquement, on améliorait un modèle en le rendant plus grand : le scaling en paramètres. Les modèles de raisonnement ajoutent une autre variable — le scaling du temps d'inférence, c'est-à-dire le budget de calcul alloué au moment où le modèle répond. Un même modèle peut produire des réponses de qualités très différentes selon le temps de réflexion qu'on lui accorde. Cette flexibilité, formalisée par les travaux de Charlie Snell et ses coauteurs en août 2024, est le concept central de la génération actuelle : allouer davantage de calcul à l'inférence peut se révéler plus efficace, à performance visée donnée, que de simplement grossir le modèle.

Comment « pensent » les modèles de raisonnement

Le fonctionnement interne mérite qu'on s'y arrête, car il éclaire à la fois les forces et les coûts de ces systèmes.

La chaîne de pensée interne

Un modèle de raisonnement ne se contente pas de prédire le token suivant le plus probable pour former sa réponse. Avant de formuler celle-ci, il génère une séquence de tokens intermédiaires — une chaîne de pensée interne — qui décompose le problème, explore des pistes, teste des hypothèses et repère d'éventuelles erreurs. Cette chaîne peut être très courte pour une question simple, ou atteindre des dizaines de milliers de tokens pour un problème de mathématiques de compétition. C'est l'équivalent d'un brouillon détaillé rédigé avant la réponse finale, à ceci près que ce brouillon fait partie intégrante du calcul.

La visibilité de cette chaîne varie selon les éditeurs. OpenAI en affiche un résumé dans l'interface mais masque les tokens de raisonnement bruts. Anthropic, avec le mode extended thinking de Claude, expose la réflexion de manière plus transparente, ce qui permet aux développeurs d'inspecter et de déboguer le processus. DeepSeek-R1, étant ouvert, rend l'intégralité de la chaîne accessible et analysable — un atout considérable pour la recherche, qui peut ainsi étudier comment le raisonnement se forme réellement.

Apprentissage par renforcement et auto-vérification

L'entraînement de ces modèles repose massivement sur l'apprentissage par renforcement (reinforcement learning, RL). Le principe diffère du réglage fin supervisé classique, où le modèle imite des exemples annotés. Avec le RL, le modèle tente de résoudre un problème, reçoit un signal de récompense — la réponse est-elle correcte ? — puis ajuste ses poids pour favoriser les cheminements qui aboutissent. Au lieu de reproduire des raisonnements montrés par des humains, le modèle découvre par essais et récompenses ses propres stratégies.

DeepSeek a publié à ce sujet une observation marquante. Dans sa variante R1-Zero, entraînée par apprentissage par renforcement pur, sans aucune phase de supervision humaine préalable, des comportements de raisonnement sophistiqués ont émergé spontanément. Au fil de l'entraînement, le modèle s'est mis de lui-même à allonger ses raisonnements, à revenir sur ses propres étapes et à se corriger. Les auteurs décrivent même un « moment de prise de conscience » où le modèle réévalue son approche en cours de route. Personne ne lui avait montré comment faire : ces stratégies sont nées de la seule pression de la récompense. L'algorithme utilisé, baptisé GRPO (Group Relative Policy Optimization), récompense simplement le modèle lorsqu'il aboutit à la bonne réponse.

R1-Zero avait un défaut : ses raisonnements, bien qu'efficaces, mélangeaient parfois les langues ou sautaient des étapes. Le modèle final, R1, corrige cela en ajoutant une petite phase de « démarrage à froid » — quelques milliers d'exemples de raisonnements soignés — avant de reprendre le renforcement. On obtient ainsi le meilleur des deux mondes : la puissance découverte par le renforcement pur et la lisibilité qu'attend un utilisateur.

Le budget de tokens de raisonnement

Un concept opérationnel central est le budget de tokens de raisonnement. Plus le modèle dispose de tokens pour réfléchir, meilleure est sa performance sur les problèmes difficiles — mais la relation suit une courbe de rendements décroissants. Les premiers milliers de tokens de réflexion apportent l'essentiel du gain, puis chaque tranche supplémentaire ajoute de moins en moins. En pratique, un budget modéré couvre la majorité des cas courants ; les budgets très élevés ne se justifient que pour les problèmes les plus exigeants, comme les compétitions de mathématiques ou les démonstrations formelles.

Cette mécanique a une conséquence directe et parfois surprenante : les tokens de raisonnement sont facturés. Lorsqu'un modèle génère cinquante mille tokens de réflexion pour produire une réponse de cinq cents tokens, le coût réel correspond à l'ensemble, pas seulement à la réponse visible. OpenAI a introduit cette transparence tarifaire avec o1, obligeant les équipes à repenser leurs budgets. C'est le prix — au sens propre — d'un raisonnement plus profond.

La famille OpenAI : d'o1 à GPT-5

OpenAI a industrialisé le raisonnement natif et défini le rythme de la course. Retracer sa lignée éclaire l'ensemble du paysage.

o1 : le premier modèle de raisonnement grand public

Lancé en version preview en septembre 2024, puis en version complète en décembre 2024, o1 a posé les fondations. Sa signature : un temps de réflexion explicite avant chaque réponse, matérialisé par un indicateur « Thinking… » dans l'interface. Les performances sur les épreuves mathématiques et scientifiques ont immédiatement dépassé celles de la génération précédente. Sur l'AIME 2024, la compétition de mathématiques américaine, o1 atteint 74,3 %, là où les meilleurs modèles non-raisonnement restaient autour de 10 %.

La contrepartie était la latence. Chaque requête demandait de dix à soixante secondes de réflexion, contre une à trois secondes pour un modèle conversationnel classique. Pour la première fois, attendre une réponse d'IA devenait normal — et acceptable, dès lors que la qualité suivait. o1 a aussi montré, en démontrant qu'un modèle pouvait « apprendre à penser » par renforcement, une voie que chaque concurrent s'est empressé de suivre. En douze mois, cette piste a produit plus d'avancées visibles que les années précédentes de mise à l'échelle brute.

o3 et o4-mini : la génération record

Annoncé le 20 décembre 2024 et déployé progressivement au premier semestre 2025, o3 a marqué un saut net. Raisonnement plus fiable, support multimodal renforcé, et surtout des scores record sur les benchmarks les plus exigeants. Sur l'AIME 2024, o3 atteint 96,7 %. Sur GPQA Diamond, des questions scientifiques de niveau doctoral, il obtient 87,7 %. Sur ARC-AGI, le test d'abstraction considéré comme le plus difficile, il décroche 87,5 % en mode « high compute » — un résultat qui a surpris la communauté.

Le 31 janvier 2025, OpenAI publie o3-mini, décliné en trois niveaux d'effort de raisonnement — low, medium, high. Cette granularité permet d'ajuster finement le ratio coût/performance selon la difficulté du problème : en mode high, o3-mini obtient par exemple 79,7 % sur GPQA Diamond. Le 16 avril 2025, OpenAI met à disposition o3 en version complète accompagné d'o4-mini, un modèle compact capable de raisonner « avec des images » en intégrant la vision au cœur du processus de réflexion. C'est le dernier jalon de la série « o » sous cette forme, avant un changement d'architecture produit majeur.

GPT-5 : le raisonnement devient un mode

Le 7 août 2025, OpenAI présente GPT-5, et opère une bascule que la génération précédente laissait déjà entrevoir. Au lieu de maintenir deux familles distinctes — un modèle rapide pour le quotidien, un modèle de raisonnement pour les problèmes difficiles — GPT-5 devient un système unifié. Un modèle rapide (« Instant ») répond à la plupart des requêtes, un modèle de raisonnement (« Thinking ») prend le relais sur les problèmes complexes, et un routeur en temps réel décide lequel mobiliser selon la nature de la conversation, sa complexité et l'intention exprimée.

Ce choix a une conséquence de vocabulaire qui prête parfois à confusion : il n'existe pas d'« o5 ». La marque « o » a été absorbée dans la génération GPT-5, où le raisonnement est devenu un mode plutôt qu'une famille séparée. Selon OpenAI, GPT-5 en mode réflexion égale ou dépasse o3 tout en produisant nettement moins de tokens de sortie, et réduit fortement le taux d'erreurs factuelles. La lignée s'est ensuite enrichie par itérations successives — GPT-5.1 en novembre 2025, GPT-5.2 en décembre 2025, GPT-5.4 en mars 2026, GPT-5.5 le 23 avril 2026 — jusqu'à la série GPT-5.6 (déclinée en variantes Sol, Terra et Luna), introduite en préversion le 26 juin 2026 pour des partenaires sélectionnés. À chaque étape, le fil directeur reste le même : améliorer le raisonnement, la fiabilité et l'efficacité, sans revenir au modèle de deux gammes séparées.

Les concurrents : DeepSeek, Anthropic, Google, Mistral

Le paysage ne se réduit pas à un acteur. La diversité des approches est l'un des atouts de cette génération, et chaque laboratoire y met sa signature.

DeepSeek-R1 : l'outsider ouvert

L'irruption de DeepSeek-R1 en janvier 2025 a été l'un des moments forts de l'année. Ce modèle de 671 milliards de paramètres — architecture Mixture-of-Experts dont seulement 37 milliards sont activés par token — atteint des performances comparables à o1 sur les épreuves de raisonnement, avec un coût d'usage nettement inférieur. Surtout, il est publié sous licence MIT, l'une des plus permissives qui soient : la communauté a pu l'étudier, le reproduire et l'adapter librement.

La contribution scientifique dépasse le modèle lui-même. En démontrant qu'un raisonnement de premier plan pouvait émerger d'un apprentissage par renforcement quasi sans données annotées, DeepSeek a fourni une recette réutilisable au reste du domaine. Les déclinaisons compactes de R1, obtenues par distillation — des versions de 1,5 à 70 milliards de paramètres — ont montré qu'une part importante de la capacité de raisonnement pouvait être transférée à des modèles exécutables sur du matériel accessible. Pour un développeur ou une petite structure, cela fait la différence entre expérimenter le raisonnement avancé chez soi ou en rester spectateur.

Claude et la pensée étendue

Anthropic a intégré le raisonnement avancé dans Claude via le mode extended thinking. La différenciation repose sur la transparence : les tokens de réflexion sont exposés au développeur, qui peut contrôler finement le budget de réflexion alloué et inspecter le cheminement. Claude se distingue aussi par ses capacités de raisonnement sur le code — analyse, débogage, architecture — et par une approche qui privilégie la fiabilité sur la performance brute. En 2026, les versions Opus de la gamme figurent parmi les références sur les tâches d'ingénierie logicielle et les épreuves scientifiques, avec des fenêtres de contexte atteignant le million de tokens.

Gemini et Mistral

Google DeepMind a suivi avec une stratégie propre. Les modèles Gemini intègrent un mode de réflexion étendue — baptisé Deep Think sur la gamme 2.5 Pro — qui considère plusieurs hypothèses avant de trancher. La force de Google tient à la multimodalité native (texte, images, audio, vidéo) et à une fenêtre de contexte très large, jusqu'à deux millions de tokens sur certaines versions, ce qui ouvre des usages de raisonnement sur de longs documents ou des données visuelles que les approches purement textuelles ne couvrent pas. L'intégration à l'écosystème Google (AI Studio, Vertex AI, Workspace) lui donne par ailleurs un avantage de distribution.

Côté européen, Mistral AI a intégré des capacités de réflexion dans ses modèles selon une approche plus incrémentale. Le positionnement de l'entreprise parisienne mise sur l'efficacité, la souveraineté européenne et le rapport qualité-prix, avec la conformité au RGPD et l'hébergement en Europe comme arguments pour les organisations soumises à des contraintes réglementaires. C'est un pôle distinct dans le paysage : moins la performance brute maximale que la maîtrise des données et des coûts.

Lire les benchmarks sans se faire avoir

Les benchmarks sont le nerf de la guerre médiatique de l'IA. Ils sont aussi le terrain où l'on se trompe le plus facilement. Un score ne vaut rien sans son protocole : nombre d'essais, méthode d'agrégation, version exacte du modèle, format du prompt. Avant de citer des chiffres, il faut donc savoir ce que chaque épreuve mesure réellement.

MATH et AIME : le raisonnement mathématique

Le benchmark MATH rassemble des problèmes de mathématiques de niveau lycée à licence. Sa version d'évaluation à 500 problèmes, MATH-500, est devenue un standard. La progression y a été très rapide : les meilleurs modèles de raisonnement dépassent aujourd'hui 96 %, un niveau qui les place au-dessus de la majorité des étudiants humains sur ce type d'exercices fermés.

L'AIME (American Invitational Mathematics Examination) est plus discriminant. C'est une épreuve de sélection pour l'olympiade américaine, et elle sert précisément à départager les meilleurs modèles. Le contraste est saisissant : là où un modèle conversationnel classique tournait autour de 10 % sur l'AIME 2024, o1 atteint 74,3 %, DeepSeek-R1 obtient 79,8 %, et o3 monte à 96,7 %. En moins de deux ans, les scores sont passés du niveau « élève moyen » à celui d'un compétiteur sérieux.

GPQA Diamond : les questions de niveau doctoral

Le GPQA Diamond (Graduate-level Google-Proof Q&A) évalue la capacité à répondre à des questions de niveau doctoral en physique, chimie et biologie, conçues pour résister à une simple recherche internet. o3 y obtient 87,7 %, un score supérieur à celui d'experts humains interrogés hors de leur spécialité. Une nuance s'impose : dans leur domaine de pointe, les spécialistes humains font mieux. GPQA teste avant tout la capacité de transfert — appliquer des connaissances à des questions inhabituelles — précisément ce que ces modèles savent bien faire.

Codeforces et le code

Sur la programmation compétitive, Codeforces attribue un classement Elo comparable à celui des humains. DeepSeek-R1 y décroche un rating de 2029, ce qui le place au-dessus de 96,3 % des participants humains à ces concours. Le code se prête particulièrement bien à l'apprentissage par renforcement, car la réponse est vérifiable automatiquement : un programme passe les tests, ou il ne les passe pas. Cette vérifiabilité explique pourquoi mathématiques et programmation sont les domaines où les modèles de raisonnement ont le plus progressé.

ARC-AGI : le test d'abstraction

Le benchmark ARC-AGI (Abstraction and Reasoning Corpus), créé par François Chollet et administré par l'ARC Prize, mesure la capacité à résoudre des puzzles visuels inédits demandant une abstraction véritable, pas de la mémorisation. Le résultat d'o3 y a fait grand bruit : 87,5 % sur l'évaluation semi-privée en mode « high compute », contre un état de l'art antérieur autour de 55 %. Deux réserves accompagnent ce chiffre, et elles sont importantes. D'une part, ce score a été obtenu avec un budget de calcul considérable — de l'ordre de 172 fois le mode standard, pour un coût de plusieurs milliers de dollars par tâche ; en mode « low compute », il retombe à 75,7 %. D'autre part, Chollet lui-même a nuancé : ce score ne signe pas une intelligence générale, mais montre que le scaling du calcul d'inférence est une piste plus puissante qu'on ne le pensait. Il a d'ailleurs annoncé qu'une nouvelle version du benchmark, ARC-AGI-2, resterait un défi sérieux pour ces modèles.

Le tableau suivant rassemble des scores officiels, tirés des rapports techniques et des évaluations publiées. Les valeurs marquées « ~ » sont des estimations issues de sources publiques ; les autres proviennent des rapports des éditeurs.

Benchmark	o1	o3	DeepSeek-R1	Ce qu'il mesure
AIME 2024 (maths)	74,3 %	96,7 %	79,8 %	Compétition mathématique
MATH-500	96,4 %	~99 %	97,3 %	Maths lycée à licence
GPQA Diamond	~78 %	87,7 %	71,5 %	Sciences niveau doctoral
Codeforces (Elo)	~2061	SOTA	2029	Programmation compétitive
ARC-AGI (high)	—	87,5 %	—	Abstraction visuelle

La bonne question n'est pas « quel modèle est en tête ? » mais « ce chiffre a-t-il été obtenu dans des conditions que je peux reproduire ? » — un demi-point d'écart sur une épreuve fermée ne fait pas une supériorité.

Un dernier réflexe de prudence : les benchmarks fermés vieillissent. Un jeu de problèmes fixe finit par courir le risque d'une contamination des données d'entraînement, et un score très élevé peut refléter une part de mémorisation autant que de raisonnement. C'est pourquoi la communauté développe des évaluations dynamiques, à problèmes générés à la volée, et pourquoi les classements par comparaison humaine en aveugle — comme les arènes de type LMArena — restent un complément utile aux métriques automatiques.

Où le raisonnement fait une vraie différence

Les gains de benchmark ne valent que s'ils se traduisent en usages concrets. C'est le cas, et de manière assez nette dans quelques domaines.

Sciences et ingénierie

Les modèles de raisonnement trouvent un terrain d'élection dans la résolution de problèmes scientifiques à plusieurs étapes. En chimie computationnelle, ils aident à décomposer des mécanismes réactionnels ; en physique théorique, ils vérifient de longues dérivations ; en bioinformatique, ils formulent des hypothèses structurelles à partir de données hétérogènes. Un cas fréquemment cité : le pré-filtrage de candidats dans des espaces de recherche combinatoires, où le modèle élimine les configurations physiquement impossibles avant que des simulations coûteuses ne soient lancées. La valeur n'est pas de remplacer le chercheur, mais de raccourcir considérablement la phase exploratoire.

Programmation et débogage

En développement logiciel, le gain est particulièrement tangible sur le débogage complexe et l'architecture. Là où un modèle non-raisonnement identifie souvent le symptôme et propose un correctif partiel, un modèle de raisonnement remonte à la cause racine en analysant dépendances, flux de données et effets de bord. Le benchmark SWE-bench Verified, qui mesure la résolution autonome de bugs dans des dépôts réels, illustre cette progression : les modèles de raisonnement y résolvent une part nettement plus élevée d'issues que la génération précédente. Cette capacité transforme les assistants de code en véritables collaborateurs, capables de diagnostiquer, corriger, écrire les tests et préparer la modification de bout en bout.

Analyse documentaire et décision

Cabinets de conseil et équipes juridiques exploitent ces modèles pour l'analyse de documents denses — contrats multi-parties, réglementations imbriquées, audits. La capacité à maintenir une cohérence logique sur vingt ou trente étapes réduit sensiblement les erreurs par rapport aux modèles classiques. Un point de vigilance mérite d'être posé clairement : ces outils accélèrent l'analyse et repèrent des motifs, mais la validation par un professionnel qualifié reste indispensable sur les sujets à fort enjeu. Le raisonnement de la machine assiste le jugement humain, il ne s'y substitue pas.

Le raisonnement au service des agents

L'application la plus structurante est peut-être l'IA agentique. Un agent doit planifier, s'adapter à l'imprévu et corriger ses erreurs en cours de route — trois capacités qui reposent sur un raisonnement structuré. Les premiers agents fondés sur des modèles non-raisonnement souffraient d'un taux d'échec élevé sur les tâches à plusieurs étapes. Les modèles de raisonnement améliorent nettement la complétion des tâches longues en maintenant la cohérence sur des séquences étendues. Le schéma qui s'impose combine un modèle rapide pour la planification et les interactions courantes, et un modèle de raisonnement pour les étapes critiques — décisions d'architecture, résolution de blocages, validation finale. Cette architecture hybride optimise à la fois le coût et la qualité.

Les limites, sans complaisance

Un panorama honnête doit nommer ce qui ne fonctionne pas encore. Le raisonnement ne résout pas tout, et ses coûts sont réels.

Des hallucinations qui se déguisent en rigueur

Contrairement à une idée répandue, ces modèles n'éliminent pas les hallucinations. Ils les rendent parfois plus difficiles à repérer. Un modèle classique qui invente un fait produit généralement une affirmation isolée, vérifiable d'un coup d'œil. Un modèle de raisonnement peut construire un cheminement logiquement valide à partir d'une prémisse fausse — appliquer un théorème qui n'existe pas, ou partir d'une donnée inventée. L'apparence de rigueur mathématique rend l'erreur plus insidieuse. Les études indiquent que les modèles de raisonnement se trompent globalement moins souvent que la génération précédente sur les tâches factuelles, mais la bonne pratique reste de vérifier les prémisses de départ et les références citées, pas seulement la conclusion.

Un second biais, plus subtil, est la tendance à la complaisance sous contestation. Quand un utilisateur remet en cause une réponse, même à tort, le modèle peut construire un raisonnement élaboré pour justifier un changement de position et abandonner une réponse initiale correcte. Le raisonnement, en offrant plus de « place » pour rationaliser, peut amplifier ce phénomène. Les laboratoires travaillent activement à le corriger par des techniques de calibration et de robustesse.

Latence et énergie

La latence est le compromis le plus visible. Générer des dizaines de milliers de tokens de réflexion prend du temps : là où un modèle conversationnel répond en quelques secondes, un modèle de raisonnement peut demander de trente secondes à plusieurs minutes sur un problème difficile. Pour les applications temps réel, la parade consiste à ne mobiliser le raisonnement que lorsque la complexité le justifie — exactement la logique du routeur unifié adopté par la génération GPT-5.

La consommation de calcul suit la même courbe. Chaque token de raisonnement supplémentaire mobilise du calcul, et un problème traité en mode intensif peut coûter bien davantage qu'une requête simple. Les optimisations en cours — distillation, quantification, architectures Mixture-of-Experts qui n'activent qu'une fraction des paramètres, matériel spécialisé — visent précisément à réduire ce coût. C'est un chantier d'efficacité, actif et prometteur, autant qu'un défi d'ingénierie.

Les tendances de fond en 2026

Au-delà des versions, quelques trajectoires se dessinent nettement, et elles convergent.

Trois manières de progresser

Trois leviers de mise à l'échelle coexistent désormais et se renforcent mutuellement :

• Le scaling en paramètres — des modèles plus grands — continue, avec des rendements qui décroissent mais restent réels.
• Le scaling du calcul d'inférence — plus de temps de réflexion — offre une courbe de gains encore ascendante, et c'est le cœur des modèles de raisonnement.
• Le scaling des données de raisonnement — entraîner sur des millions de traces de raisonnement de qualité, générées par renforcement ou distillées depuis un modèle plus puissant — permet à des modèles de taille moyenne de rattraper des géants de la génération précédente.

C'est ce troisième levier qui a rendu possible la vague de modèles distillés : un raisonnement de bon niveau, transféré vers des tailles exécutables localement. Pour l'écosystème ouvert, c'est un facteur d'égalisation majeur.

Vers des modèles unifiés

La tendance la plus claire est l'unification. Plutôt que de choisir entre un modèle rapide et un modèle de raisonnement, un seul système ajuste dynamiquement son budget de réflexion selon la complexité détectée. GPT-5 a formalisé cette direction avec son routeur temps réel entre modes « Instant » et « Thinking » ; les modes Deep Think de Gemini et extended thinking de Claude relèvent de la même logique. La vision qui se dessine est celle d'un assistant unique qui « pense juste assez » pour chaque tâche, optimisant simultanément qualité, latence et coût. Le raisonnement cesse d'être un modèle spécial pour devenir une composante intégrée de chaque interaction.

La question de l'intelligence générale

Les scores d'o3 sur ARC-AGI ont relancé le débat sur la proximité d'une intelligence générale. Les positions restent nuancées, et c'est heureux. D'un côté, ces modèles résolvent aujourd'hui des tâches d'abstraction que l'on jugeait hors de portée dix-huit mois plus tôt. De l'autre, ces performances reposent sur un calcul massif, et ne démontrent pas une compréhension profonde : le modèle n'apprend pas en continu, ne généralise pas à partir d'un seul exemple, et ne dispose pas d'un modèle du monde persistant. La lecture pragmatique est la plus solide : nous disposons de systèmes extraordinairement capables sur des tâches définies, tandis que l'intelligence générale au sens fort reste un objectif de recherche ouvert. Les progrès du raisonnement réduisent l'écart sur certaines dimensions — logique, abstraction, planification — sans le combler sur d'autres, comme la créativité originale ou l'adaptation continue.

Le raisonnement des machines a cessé d'être une promesse de laboratoire pour devenir un outil de production. La bonne posture n'est ni l'émerveillement ni le scepticisme, mais la mesure : comprendre les mécanismes pour évaluer chaque annonce à sa juste valeur.

Choisir un modèle de raisonnement en pratique

Reste la question concrète : lequel utiliser, et quand ? Trois facteurs guident le choix — la complexité de la tâche, le budget, et les contraintes opérationnelles (latence, confidentialité, souveraineté).

• Problèmes scientifiques et mathématiques de haut niveau : un modèle de raisonnement en mode intensif, pour la meilleure précision, en acceptant le coût et la latence.
• Développement logiciel et débogage : les modèles à forte capacité de raisonnement sur le code, avec une préférence pour ceux dont la pensée est inspectable.
• Usage quotidien avec raisonnement modéré : un modèle unifié en mode léger, ou un modèle de raisonnement compact en effort « low », pour le meilleur rapport qualité-prix.
• Projets ouverts, données sensibles ou auto-hébergement : DeepSeek-R1 ou ses distillations, exécutables sur du matériel maîtrisé.
• Raisonnement multimodal et longs contextes : les gammes Gemini, pour la multimodalité native et la très large fenêtre de contexte.
• Souveraineté et conformité européennes : Mistral, ou un modèle ouvert hébergé en Europe.

La règle d'économie la plus utile tient en une phrase : ne pas mobiliser un modèle de raisonnement intensif pour une question simple. La bonne pratique, dans les déploiements à grande échelle, consiste à router chaque requête selon sa complexité — un modèle rapide pour le courant, un modèle de raisonnement pour l'exigeant. Les économies mesurées par cette approche par paliers sont substantielles, sans perte notable de qualité sur les tâches difficiles. C'est aussi, en creux, ce que les modèles unifiés automatisent désormais à l'intérieur d'un seul système.

Ce qu'il faut retenir

Les modèles de raisonnement marquent un changement de paradigme mesurable. Le fil conducteur est limpide : la chaîne de pensée, née comme technique de prompting en 2022, est devenue une capacité entraînée par apprentissage par renforcement, activée par défaut, et amplifiable par le calcul alloué à l'inférence. o1 a ouvert la voie, o3 a établi des records, DeepSeek-R1 a démocratisé la recette, et GPT-5 a fait du raisonnement un mode intégré plutôt qu'une famille à part. En parallèle, Claude, Gemini et Mistral ont chacun apporté leur signature — transparence, multimodalité, souveraineté.

Les gains sur les benchmarks ne sont pas des artefacts : ils se traduisent en applications concrètes dans la recherche, l'ingénierie logicielle, l'analyse documentaire et les systèmes agentiques. Le coût et la latence restent des contraintes, mais la dynamique de baisse — distillation, architectures parcimonieuses, concurrence entre fournisseurs — rend ces capacités progressivement accessibles. Les limites, elles aussi, sont réelles et connues : hallucinations qui se parent de rigueur, complaisance sous contestation, dépendance à un calcul important. Les nommer est la meilleure façon de bien utiliser ces outils.

Pour un praticien, la conclusion n'est pas de choisir un camp, mais de comprendre les mécanismes : chaîne de pensée, apprentissage par renforcement, budget de tokens, calcul d'inférence, distillation. Ces briques ne sont la propriété d'aucun laboratoire ; elles appartiennent au socle commun de la discipline. Les maîtriser, c'est pouvoir lire l'actualité de l'IA en acteur informé, dimensionner un déploiement avec justesse, et évaluer chaque nouvelle version à l'aune de ce qu'elle apporte réellement — plutôt qu'à celle du bruit qui l'accompagne.

Sources

Cet article s'appuie sur des sources techniques publiques et vérifiables :

• Jason Wei et al. (Google Research), « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models » — arXiv 2201.11903 (origine du chain-of-thought).
• Charlie Snell et al., « Scaling LLM Test-Time Compute Optimally Can Be More Effective Than Scaling Model Parameters » — arXiv 2408.03314 (concept de test-time compute).
• OpenAI, « OpenAI o3-mini » — openai.com (niveaux d'effort, scores GPQA).
• OpenAI, « Introducing OpenAI o3 and o4-mini » — openai.com (o3 complet et o4-mini, avril 2025).
• OpenAI, « Introducing GPT-5 » — openai.com (système unifié Instant/Thinking, août 2025).
• DeepSeek-AI, « DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning » — arXiv 2501.12948 (GRPO, R1-Zero, benchmarks AIME/MATH/Codeforces).
• ARC Prize, « OpenAI o3 Breakthrough High Score on ARC-AGI-Pub » — arcprize.org (score ARC-AGI et budget de calcul).
• DataCamp, « OpenAI's o3: Features, o1 Comparison, Benchmarks & More » — datacamp.com (synthèse comparative).
• OpenAI, notes de version des modèles — help.openai.com (lignée GPT-5.x).