Magistral : Mistral AI lance son premier modèle de raisonnement

Les assistants d’intelligence artificielle savent déjà écrire, résumer et programmer. Mais, face à un problème mathématique difficile, à un dossier réglementaire ou à une décision qui exige plusieurs conditions successives, leur première réponse peut rester fragile. Avec Magistral, présenté en juin 2025, Mistral AI entend répondre à cette faiblesse : son premier modèle de raisonnement est conçu pour prendre davantage de temps afin de décomposer une question avant de formuler une réponse.

L’ambition est forte, mais mérite d’être formulée avec précision. Magistral ne « pense » pas comme une personne au sens humain du terme. Il s’agit d’un modèle de langage entraîné à produire des étapes de résolution structurées et à mieux traiter des tâches qui demandent logique, calcul ou planification. Cette orientation le place dans une catégorie devenue stratégique pour les éditeurs d’IA : celle des modèles de raisonnement, qui cherchent moins à répondre immédiatement qu’à examiner un problème en plusieurs étapes.

Magistral, le premier modèle de raisonnement de Mistral AI

Mistral AI décline Magistral en deux versions : Magistral Small et Magistral Medium. La première peut être déployée par les utilisateurs eux-mêmes sous licence Apache 2.0, une licence ouverte qui autorise notamment l’usage, la modification et la redistribution du logiciel sous certaines conditions. La seconde est une version plus puissante, destinée aux usages professionnels et proposée à l’essai dans Le Chat, l’interface conversationnelle de Mistral AI.

Cette double approche répond à deux besoins distincts. Certaines entreprises, administrations ou équipes techniques veulent pouvoir garder un modèle dans leur propre infrastructure, notamment pour maîtriser l’environnement de traitement de leurs données. D’autres privilégient un accès plus direct à un assistant en ligne, sans avoir à installer et exploiter elles-mêmes le modèle.

Magistral Small compte 24 milliards de paramètres. Dans un modèle de langage, les paramètres correspondent aux valeurs ajustées durant l’entraînement, qui permettent au système d’associer des formes de langage, des connaissances et des schémas de réponse. Ce nombre ne résume pas à lui seul les capacités d’un modèle, mais il donne un ordre de grandeur de sa taille.

Mistral AI présente Magistral comme un modèle adapté aux situations où il faut transformer une demande complexe en sous-problèmes : identifier les hypothèses, effectuer des calculs, confronter des options, puis produire une réponse argumentée. C’est une évolution importante par rapport à des modèles généralistes comme Mistral 7B ou Small 3.1, davantage conçus pour un large éventail de tâches conversationnelles et rédactionnelles.

Que signifie « raisonner » pour une IA ?

Le fonctionnement mis en avant par Mistral AI s’appuie sur le principe du chain-of-thought, que l’on peut traduire par « chaîne de pensée » ou raisonnement étape par étape. L’idée est de ne pas se contenter de prédire une réponse finale, mais de générer une suite d’étapes intermédiaires : reformulation du problème, sélection d’une méthode, calculs, vérifications, puis conclusion.

Cette méthode peut améliorer les résultats sur les tâches où l’ordre des opérations compte. Un problème de mathématiques, par exemple, ne se résout pas seulement grâce à la reconnaissance de mots-clés. Il faut choisir une formule, conserver les bonnes unités, appliquer les opérations dans le bon ordre et vérifier que le résultat est cohérent. Le même principe vaut pour un programme informatique, une analyse contractuelle ou une prévision fondée sur plusieurs variables.

Il faut toutefois éviter une confusion fréquente. Une explication rédigée par un modèle n’est pas automatiquement une fenêtre fidèle sur son mécanisme interne. Elle peut être utile pour rendre une réponse plus lisible et faciliter sa relecture, sans constituer à elle seule une preuve de fiabilité. La traçabilité recherchée dans un cadre professionnel repose aussi sur les données fournies au système, les consignes utilisées, les contrôles humains et les outils de vérification associés.

Pour l’utilisateur, l’intérêt pratique est simple : il devient possible de demander à l’IA d’expliciter une méthode, de comparer plusieurs hypothèses ou de signaler les étapes qui demandent une validation. Cela ne dispense pas de demander des sources lorsque c’est nécessaire, ni de refaire les calculs importants.

Magistral Small et Magistral Medium : quelles différences ?

Les deux versions partagent la même spécialisation dans le raisonnement, mais elles ne ciblent pas exactement le même public. Magistral Small mise sur l’ouverture et l’auto-hébergement. Magistral Medium vise des performances supérieures dans un cadre de produit et de services pour les organisations.

La licence Apache 2.0 de Magistral Small est un élément notable. Elle donne aux développeurs la possibilité d’évaluer le modèle dans leur propre environnement, de l’intégrer à une application ou de l’adapter à des flux de travail spécifiques. Pour les structures soumises à des règles strictes de confidentialité ou de souveraineté, l’auto-déploiement peut constituer un avantage, à condition de disposer des compétences techniques et de l’infrastructure nécessaires.

Magistral Medium répond plutôt à une logique de service. Mistral AI le rend accessible dans Le Chat, son assistant conversationnel. Cette voie simplifie l’usage, mais elle place aussi le modèle dans un environnement contrôlé par son éditeur, avec les modalités d’accès et les fonctions associées à la plateforme.

Des scores élevés en mathématiques, à interpréter correctement

Mistral AI met en avant les résultats de Magistral sur AIME2024, un jeu d’évaluation fondé sur les problèmes de l’American Invitational Mathematics Examination. Ce type de test est fréquemment utilisé pour mesurer la capacité d’un modèle à résoudre des problèmes mathématiques exigeant plusieurs étapes de raisonnement.

Selon les chiffres communiqués, Magistral Medium atteint 73,6 % sur AIME2024. Son score monte à 90 % avec un système de vote majoritaire. Magistral Small obtient de son côté 70,7 %, puis 83,3 % avec ce même mécanisme.

Le vote majoritaire mérite une explication. Au lieu de demander une seule réponse au modèle, le système produit plusieurs tentatives. Il retient ensuite la réponse qui revient le plus souvent. Cette technique peut réduire l’effet d’une réponse isolée erronée, particulièrement lorsqu’un problème possède une réponse numérique précise. Mais elle demande aussi davantage de calcul et ne signifie pas qu’un unique échange avec l’assistant affichera nécessairement ce niveau de résultat.

Ces scores constituent donc un indicateur intéressant de compétences en raisonnement mathématique, non une garantie universelle. Un benchmark mesure un ensemble de questions défini, dans des conditions précises. Il ne couvre pas à lui seul la qualité d’une analyse juridique, l’exactitude d’une prévision financière ou la capacité à gérer une situation réelle, souvent plus ambiguë et dépendante d’informations actualisées.

Un raisonnement conçu pour plusieurs langues

L’un des arguments avancés pour Magistral concerne ses capacités multilingues. Le modèle est conçu pour traiter des requêtes dans plusieurs langues, notamment le français, l’anglais, l’allemand et l’espagnol, tout en conservant une démarche logique structurée. Pour des équipes internationales, ce point est loin d’être secondaire.

Un modèle peut en effet être performant dans une langue dominante tout en devenant moins fiable lorsque la question est reformulée dans une autre langue. Les difficultés apparaissent particulièrement dans les consignes longues, les termes spécialisés, les négations ou les problèmes comportant plusieurs contraintes. Pouvoir poser une question dans la langue utilisée par l’équipe, le client ou le document analysé limite les pertes d’information liées à une traduction préalable.

Cette promesse doit néanmoins être testée sur les données et le vocabulaire propres à chaque organisation. Le français juridique, le langage technique d’un développeur, le vocabulaire financier ou les sigles internes peuvent faire varier fortement la qualité des réponses. Le multilinguisme est un avantage de couverture, pas une assurance d’exactitude sur tous les domaines.

Quels usages professionnels Mistral AI vise-t-il ?

Mistral AI cite plusieurs domaines où une démarche structurée peut avoir un intérêt : les calculs organisés, le développement logiciel, la recherche juridique et les prévisions financières. Dans chacun de ces cas, l’enjeu n’est pas seulement de générer du texte convaincant, mais de respecter une succession de règles et d’hypothèses.

Dans le développement, Magistral peut aider à analyser un bug, expliquer une fonction, proposer un plan de correction ou décomposer une demande technique avant d’écrire du code. Dans le domaine juridique, il peut servir à organiser une recherche, à comparer des clauses ou à extraire les questions à vérifier. Il ne remplace ni l’accès aux textes à jour ni l’expertise d’un juriste.

Pour la finance, le modèle peut structurer un scénario, expliciter des hypothèses ou aider à présenter des calculs. Les prévisions restent cependant dépendantes de données fiables, de méthodes adaptées et d’une validation par des professionnels. Une IA générative peut produire une réponse très assurée même lorsque son raisonnement part d’une hypothèse incomplète ou d’une donnée erronée.

Dans Le Chat, Mistral AI associe Magistral à deux fonctions : Think Mode et Flash Answers. L’entreprise annonce que Flash Answers peut fournir des réponses jusqu’à dix fois plus rapidement que celles de la plupart des concurrents, tout en maintenant une capacité de raisonnement. Ces fonctions avancées sont alors réservées aux abonnés payants. Comme pour tout gain de vitesse revendiqué par un éditeur, l’expérience dépendra du type de requête, de la charge du service et du niveau de raisonnement demandé.

Ce qu’il faut surveiller

Avec Magistral, Mistral AI se positionne sur un terrain central de l’IA générative : faire passer les assistants d’une production de texte rapide à une résolution plus méthodique de problèmes. L’ouverture de Magistral Small sous Apache 2.0 peut favoriser les expérimentations et les déploiements internes, tandis que Magistral Medium doit démontrer sa valeur dans les usages professionnels via Le Chat.

La question décisive ne sera pas seulement celle des scores sur les benchmarks. Il faudra observer la régularité du modèle sur des dossiers réels, sa capacité à reconnaître ses incertitudes, la qualité de ses réponses dans plusieurs langues et la facilité avec laquelle les utilisateurs peuvent contrôler ses résultats. Les modèles de raisonnement ouvrent des possibilités concrètes, mais leur adoption durable dépendra de cette combinaison : performance, transparence opérationnelle, rapidité et supervision humaine.

Pour les utilisateurs, la bonne pratique reste de confier à Magistral les tâches où une décomposition du problème apporte un vrai bénéfice, puis de vérifier les éléments qui fondent une décision. C’est à cette condition que le raisonnement affiché par l’IA peut devenir un outil de travail utile, plutôt qu’une explication séduisante mais insuffisamment contrôlée.