From 09b5f6627044390db6d9e1fd1e980c4dbcc5712a Mon Sep 17 00:00:00 2001 From: jsboige Date: Fri, 23 Oct 2026 14:29:06 +0200 Subject: [PATCH] Fix(notebook,#17040): consolider deux paires de lectures consecutives (Texte/17) Regle 1 du redressement : une sortie de code = au plus une cellule de lecture. check_split_reading_cells.py rendait 2 generic_pair sur le carnet, tous deux des redites de la meme sortie : - [5,6] : 'Lecture' (391, 31 tokens vs 853 dont 531) puis 'Lecture supplementaire' qui redit les memes nombres avec le ratio 27,5x. Fusion, le ratio et l'interpretation du surcoit sont conserves. - [15,16] : 'Lecture' (100% single-shot, 232/553/1213) puis 'Lecture complementaire' qui redit les memes totaux pour en tirer la structure de cout. Fusion, l'observation (part hors raisonnement quasi stable 60/111/119, budget de raisonnement x6,4) est conservee. La troisieme paire signalee sur l'arbre partage (13_Agentic_Orchestration [21,22]) n'existe plus sur main : ce carnet a deja ete consolide par une PR anterieure. Mesure refaite sur origin/main avant d'ecrire. Aucune cellule code touchee : 0 output / 0 execution_count dans le diff. Part of #17040 Co-Authored-By: Claude Sonnet 5.5 --- .../17_Native_Reasoning_vs_Scaling.ipynb | 22 +++++-------------- 1 file changed, 5 insertions(+), 17 deletions(-) diff --git a/MyIA.AI.Notebooks/GenAI/Texte/17_Native_Reasoning_vs_Scaling.ipynb b/MyIA.AI.Notebooks/GenAI/Texte/17_Native_Reasoning_vs_Scaling.ipynb index 502316e1e85..e2f32676a7f 100644 --- a/MyIA.AI.Notebooks/GenAI/Texte/17_Native_Reasoning_vs_Scaling.ipynb +++ b/MyIA.AI.Notebooks/GenAI/Texte/17_Native_Reasoning_vs_Scaling.ipynb @@ -232,14 +232,7 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "**Lecture** : Pour un même énoncé, les deux modèles répondent `391` — mais `llama-3.3-70b-instruct` y consomme 31 tokens (dont 0 de raisonnement), tandis que `deepseek-r1` utilise 853 tokens dont 531 pour le raisonnement interne. Cela illustre le surcoût en tokens du raisonnement natif par rapport à l'inférence directe." - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "**Lecture supplémentaire** : La comparaison des token counts entre les deux modèles est révélatrice. Le modèle `deepseek-r1` utilise 27,5 fois plus de tokens (853/31 ≈ 27,5) que `llama-3.3-70b-instruct` pour le même prompt, et 531 de ces 853 tokens sont dédiés au raisonnement interne. Cela démontre que le raisonnement natif implémente une approche de résolution de problème plus intensive en calcul, mais potentiellement plus robuste pour les tâches complexes." + "**Lecture** : Pour un même énoncé, les deux modèles répondent `391` — mais `llama-3.3-70b-instruct` y consomme 31 tokens (dont 0 de raisonnement), tandis que `deepseek-r1` utilise 853 tokens dont 531 pour le raisonnement interne, soit **27,5× plus de tokens** (853/31) pour la même réponse. Cela illustre le surcoût du raisonnement natif : une résolution plus intensive en calcul — potentiellement plus fiable sur les problèmes difficiles — et payée en tokens.\n" ] }, { @@ -552,14 +545,9 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "**Lecture** : Le raisonnement natif avec `deepseek-r1` atteint 100% de réussite en single-shot pour tous les buckets (facile, moyen, difficile), avec respectivement 232, 553 et 1213 tokens totaux. Le ratio raisonnement/tokens totaux est élevé : 172/232 (74%) pour facile, 442/553 (80%) pour moyen, et 1094/1213 (90%) pour difficile, démontrant que le modèle utilise intensément le raisonnement pour les problèmes complexes." - ] - }, - { - "cell_type": "markdown", - "metadata": {}, - "source": [ - "**Lecture complémentaire** : La structure du coût par bucket est révélatrice — la part hors raisonnement (total moins reasoning) reste quasi stable : 60 tokens en facile (232-172), 111 en moyen (553-442), 119 en difficile (1213-1094) — alors que le budget de raisonnement passe de 172 à 1094 (x6,4) : l'escalier de coût 232 -> 553 -> 1213 est porté par le raisonnement, pas par l'énoncé ni la réponse." + "**Lecture** : Le raisonnement natif avec `deepseek-r1` atteint 100% de réussite en single-shot pour tous les buckets (facile, moyen, difficile), avec respectivement 232, 553 et 1213 tokens totaux. Le ratio raisonnement/tokens totaux est élevé : 172/232 (74%) pour facile, 442/553 (80%) pour moyen, et 1094/1213 (90%) pour difficile, démontrant que le modèle utilise intensément le raisonnement pour les problèmes complexes.\n", + "\n", + "**Et la structure du coût ?** La part hors raisonnement (total moins reasoning) reste quasi stable : 60 tokens en facile (232-172), 111 en moyen (553-442), 119 en difficile (1213-1094) — alors que le budget de raisonnement passe de 172 à 1094 (×6,4). L'escalier de coût 232 → 553 → 1213 est donc porté par le raisonnement, pas par l'énoncé ni par la réponse.\n" ] }, { @@ -1065,4 +1053,4 @@ }, "nbformat": 4, "nbformat_minor": 5 -} \ No newline at end of file +}