Chain of Thoughtdefinition and how it works in 2026
- Chain of Thought
- Une technique de prompting où le LLM est invité à exposer son reasoning étape par étape — au lieu de ne donner que la réponse finale.
Chain-of-thought a été introduit en 2022 comme pattern de prompting et est depuis presque partout intégré. Au lieu de répondre « 17 × 24 ? » par « 408 », le modèle écrit : « 17 × 24 = 17 × 20 + 17 × 4 = 340 + 68 = 408. » L'output est plus long, mais plus précis — surtout sur les tâches multi-étapes.
Les modèles de pointe 2026 (Claude Sonnet 4.x, GPT-5, Gemini Pro 2.x) ont chain-of-thought intégré comme « Reasoning Mode ». Ils produisent des traces de reasoning internes partiellement cachées, mais qui se reflètent dans la consommation de tokens d'output. La Test-Time-Compute scaling permet d'allouer plus de reasoning aux problèmes plus difficiles.
Pratique : chain-of-thought est l'amélioration la moins chère pour les problèmes logiques. Un simple suffix « Réfléchissons étape par étape » fait souvent monter les benchmarks de mathématiques de 10-30 points de pourcentage. Sur les reasoning models, cela se produit automatiquement.
Frequently asked
Ai-je toujours besoin de chain-of-thought avec les reasoning models modernes ?+
Implicitement oui — ils le font automatiquement. Explicitement rarement nécessaire. Mais pour des cas spéciaux (problèmes créatifs, domaines inhabituels), un suffix explicite chain-of-thought peut encore aider.
Quels problèmes profitent le plus de CoT ?+
Mathématiques multi-étapes, casse-têtes logiques, tâches de programmation multi-parties, reasoning juridique, synthèse multi-step de recherche. Quand la réponse doit être assemblée à partir d'étapes intermédiaires, CoT aide.
Chain-of-thought coûte-t-il plus cher ?+
Oui — l'output est 3-10× plus long et donc plus cher. Sur des questions de pure connaissance, c'est du gaspillage. Sur des questions logiques, ça vaut le coup car la précision monte dramatiquement.