Les systèmes modernes de réponse à des questions à plusieurs sauts (multi-hop QA) consistent généralement à décomposer les questions en une séquence d’étapes de raisonnement, appelées chaîne de raisonnement (chain-of-thought, CoT), avant d’arriver à une réponse finale. Souvent, plusieurs chaînes sont échantillonnées et combinées par un mécanisme de vote portant sur les réponses finales, mais les étapes intermédiaires sont elles-mêmes abandonnées. Bien que ces approches améliorent les performances, elles ne tiennent pas compte des relations entre les étapes intermédiaires au sein de différentes chaînes, ni ne fournissent d’explication unifiée pour la réponse prédite. Nous introduisons Multi-Chain Reasoning (MCR), une méthode qui invite les grands modèles linguistiques à effectuer une métaraisonnement sur plusieurs chaînes de pensée, plutôt que d’agréger simplement leurs réponses. MCR analyse différentes chaînes de raisonnement, fusionne les informations entre elles et sélectionne les faits les plus pertinents pour générer une explication et prédire la réponse. MCR surpasse les modèles de référence performants sur 7 jeux de données de QA à plusieurs sauts. En outre, notre analyse révèle que les explications fournies par MCR sont de haute qualité, permettant aux humains de vérifier efficacement les réponses produites.