Mode thinking de Gemma 4 : ce qu'il fait et quand l'utiliser

Gemma 4 a un mode thinking intégré qui permet au modèle de « raisonner à voix haute » avant de vous donner une réponse. C'est comme demander à quelqu'un de montrer son travail sur un problème de maths — les étapes supplémentaires mènent souvent à une meilleure réponse.

Mais ça ne vaut pas toujours le compromis. Décomposons quand l'utiliser et quand l'éviter.

Qu'est-ce que le mode thinking ?

En mode thinking, Gemma 4 génère une chaîne de raisonnement avant de produire la réponse finale. Le modèle a essentiellement un bloc-notes interne où il travaille sur le problème étape par étape.

Sans thinking :

Utilisateur : Combien fait 17 × 23 ?
Gemma 4 : 391

Avec thinking :

Utilisateur : Combien fait 17 × 23 ?
Gemma 4 : <think>
17 × 23
= 17 × 20 + 17 × 3
= 340 + 51
= 391
</think>
391

Le thinking se produit à l'intérieur des balises <think>. Votre application peut soit afficher ce raisonnement à l'utilisateur, soit le supprimer et n'utiliser que la réponse finale.

Comment activer le mode thinking

Avec Ollama

# Utiliser la variante thinking du modèle
ollama run gemma4:26b-thinking

Ou via l'API avec un paramètre de budget de tokens :

import requests

response = requests.post("http://localhost:11434/api/chat", json={
    "model": "gemma4:26b",
    "messages": [
        {"role": "user", "content": "Résous : Si 3x + 7 = 22, que vaut x ?"}
    ],
    "options": {
        "num_predict": 2048,  # Allouer assez de tokens pour le thinking
    },
    "stream": False,
})

print(response.json()["message"]["content"])

Avec le system prompt

Vous pouvez aussi déclencher un comportement de thinking via le system prompt :

messages = [
    {
        "role": "system",
        "content": "Réfléchis étape par étape avant de répondre. Montre ton raisonnement dans des balises <think>, puis donne la réponse finale."
    },
    {
        "role": "user",
        "content": "Un train part de Chicago à 9h à 60 mph. Un autre part de New York à 10h à 80 mph vers Chicago. La distance est de 800 miles. Quand se rencontrent-ils ?"
    }
]

Budget de tokens

Certaines implémentations vous laissent contrôler combien le modèle réfléchit avec un budget :

# Plus de budget = plus de thinking = plus lent mais meilleur
response = requests.post("http://localhost:11434/api/chat", json={
    "model": "gemma4:26b",
    "messages": [{"role": "user", "content": "Tâche de raisonnement complexe ici..."}],
    "options": {
        "num_predict": 4096,  # Budget plus élevé pour plus de place de thinking
    },
})

Quand le mode thinking aide

Le mode thinking brille sur les tâches qui nécessitent un raisonnement multi-étapes :

Problèmes de maths et de logique :

Sans thinking : "La réponse est 42" (parfois fausse)
Avec thinking : Travail étape par étape → réponse correcte

Code complexe :

Sans thinking : Génère du code qui semble correct mais a des bugs subtils
Avec thinking : Raisonne sur les cas limites, le flux de données, puis génère du code plus propre

Analyse et comparaison :

Sans thinking : Réponse de surface
Avec thinking : Considère plusieurs angles, pèse les compromis

Voici une comparaison pratique sur les mêmes problèmes :

Quand éviter le mode thinking

N'utilisez pas le mode thinking pour :

• Q&R simple : « Quelle est la capitale de la France ? » n'a pas besoin d'une chaîne de pensée
• Traduction : Le mode thinking ajoute de la latence sans améliorer la qualité de traduction
• Écriture créative : Le raisonnement supplémentaire peut rendre la sortie rigide et trop planifiée
• Conversations de chat : Le va-et-vient naturel ne bénéficie pas du raisonnement formel
• Extraction de données : Extraire des noms, dates et nombres d'un texte est du pattern matching, pas du raisonnement
• Applications à haut débit : Si vous traitez des milliers de requêtes, le ralentissement 2-3x compte. Voir notre guide de traitement par batch.

Impact sur la performance

Le mode thinking a un coût réel :

Le modèle génère 2-5x plus de tokens en mode thinking parce qu'il écrit son raisonnement. Sur un Mac avec Apple Silicon, cela signifie :

• M2 Pro 16 Go : Réponse simple en 2s → Réponse thinking en 6-8s
• M4 Max 64 Go : Réponse simple en 1s → Réponse thinking en 3-4s

Pour le chat interactif, le délai est notable. Pour le traitement par batch, il peut doubler ou tripler votre temps de traitement.

Exemple pratique : avec vs sans

Regardons un vrai problème :

Prompt : « J'ai 3 boules rouges, 5 boules bleues et 2 boules vertes dans un sac. Si je tire 2 boules sans remise, quelle est la probabilité que les deux soient bleues ? »

Sans thinking :

La probabilité est 5/10 × 4/9 = 20/90 = 2/9 ≈ 0,222

Correct, mais si le problème était plus délicat, le modèle pourrait sauter une étape et se tromper.

Avec thinking :

<think>
Total boules : 3 + 5 + 2 = 10
Boules bleues : 5

Probabilité que la première boule soit bleue : 5/10
Après avoir tiré une boule bleue :
- Boules restantes : 9
- Bleues restantes : 4

Probabilité que la deuxième boule soit bleue : 4/9

Probabilité combinée : 5/10 × 4/9 = 20/90 = 2/9
</think>

La probabilité de tirer 2 boules bleues est 2/9, soit environ 22,2%.

Même réponse, mais la version thinking est plus susceptible de détecter les erreurs dans des problèmes plus difficiles parce qu'elle suit explicitement l'état à chaque étape.

Combiner thinking avec d'autres fonctionnalités

Thinking + sortie JSON : Utilisez le mode thinking pour le raisonnement, puis sortez du JSON structuré :

messages = [
    {
        "role": "system",
        "content": """Réfléchis au problème dans des balises <think>.
Puis produis ta réponse finale en JSON (aucun autre texte après le JSON) :
{"answer": nombre, "confidence": nombre, "reasoning_summary": string}"""
    },
    {"role": "user", "content": "Problème complexe ici..."}
]

Pour plus sur la sortie structurée, voir notre guide de sortie JSON.

Thinking + modèles fine-tunés : Si vous avez fine-tuné Gemma 4 pour un domaine spécifique, le mode thinking peut toujours améliorer la qualité du raisonnement sur des problèmes complexes spécifiques au domaine.

Prochaines étapes

• Essayez le mode thinking avec différents modèles : guide de sélection de modèle
• Combinez avec la sortie structurée : guide de sortie JSON
• Exécutez le mode thinking localement : guide de configuration Ollama
• Voyez la performance sur votre matériel : guide de performance Mac