Zum Inhalt springen

Reasoning Models

  • Fortgeschritten · Modul 01
  • Lektion 6 von 7 · danach Quellen und Quiz
Hinweis
Stand: November 2026

Konkrete Modellnamen (o1, o3, Claude Opus 5.5, GPT-6 etc.) entsprechen dem Stand vom November 2026. Die Konzepte (Thinking Tokens, Chain-of-Thought, Extended Thinking) sind langlebig — die Modellbeispiele veralten dagegen schnell.

Schritt 1 von 4Wissen

Bis 2024 konnten LLMs nur dann strukturiert "denken", wenn du sie per Prompt dazu angewiesen hast: "Denke Schritt für Schritt" (Chain-of-Thought Prompting). Das änderte sich grundlegend mit Reasoning Models -- Modellen, die nativ in einem internen Denkprozess arbeiten, bevor sie antworten.

Die wichtigsten Reasoning Models:

  • OpenAI o1 / o3: Die ersten Modelle mit nativem Chain-of-Thought. Nutzen "Thinking Tokens", die intern verarbeitet, aber dem Nutzer nicht direkt angezeigt werden.
  • Claude Opus 5.5 mit Adaptive Thinking: Anthropics Ansatz -- das Modell entscheidet selbst, wie viel es nachdenkt (steuerbar über den Effort-Parameter); der Denkprozess kann als Zusammenfassung abgerufen werden (bei den Claude-5-Modellen standardmäßig ausgeblendet, sichtbar mit display: "summarized"). Das ältere „Extended Thinking“ mit festem Token-Budget nehmen die neuesten Claude-Modelle nicht mehr an.
  • OpenAIs GPT-Modelle: Bieten seit der GPT-5-Reihe einen konfigurierbaren Thinking-Modus mit verschiedenen Intensitätsstufen.
Hinweis
Thinking Tokens

Thinking Tokens sind Tokens, die das Modell während des Denkprozesses generiert. Sie zählen zum Token-Verbrauch, werden aber nicht als Antwort ausgegeben. Bei starken Reasoning-Modellen können das tausende Tokens sein, bevor das Modell die eigentliche Antwort schreibt.

Schritt 2 von 4Verstehen

Prompt-basiertes CoT vs. natives Reasoning

Prompt-basiertes Chain-of-Thought (2022-2024):

Prompt: "Denke Schritt für Schritt: Wenn ein Zug um 14:00 Uhr
abfährt und 3,5 Stunden braucht, wann kommt er an?"

Das Modell folgt einer Anweisung. Die Qualität des Reasonings hängt stark vom Prompt ab. Vergisst du "Denke Schritt für Schritt", springt das Modell möglicherweise direkt zur Antwort und macht Fehler.

Natives Reasoning (ab 2024):

Das Modell denkt automatisch nach, unabhängig vom Prompt. Es zerlegt komplexe Probleme intern in Teilschritte, prüft Zwischenergebnisse und korrigiert sich selbst. Das passiert in den Thinking Tokens.

Der Unterschied ist fundamental: Es ist wie der Unterschied zwischen jemandem, der nur auf Anweisung nachdenkt, und jemandem, der natürlich reflektiert.

Wann welches Modell?

AufgabeStandard-LLMReasoning Model
E-Mail schreibenAusreichendÜbertrieben
Mathe-Aufgabe lösenFehleranfälligDeutlich besser
Code-DebuggingGrundlegendExzellent
Kreatives SchreibenGutLangsamer, nicht nötig
Logische RätselOft falschZuverlässig
Einfache FragenSchnell & günstigZu teuer & langsam
Tipp
Kosten-Nutzen

Reasoning Models verbrauchen deutlich mehr Tokens (und damit Geld) als Standard-Modelle. Für eine einfache Zusammenfassung kann ein Reasoning-Modell das 10-fache an Tokens verbrauchen. Nutze Reasoning Models gezielt für Aufgaben, die echtes Nachdenken erfordern.

Schritt 3 von 4Anwenden

Wenn du mit Claude Opus 5.5 oder GPT-6.1 Sol arbeitest, beobachte den Denkprozess:

  1. Einfache Frage stellen: "Was ist die Hauptstadt von Deutschland?" -- Das Modell antwortet sofort, kaum Thinking Tokens.
  2. Komplexe Frage stellen: "Erkläre, warum die Zahl 0.999... gleich 1 ist, mit drei verschiedenen Beweismethoden." -- Du siehst, wie das Modell Ansätze durchspielt, verwirft und optimiert.

Dieses Beobachten trainiert dein Verständnis dafür, wann natives Reasoning einen echten Mehrwert bietet.

Schritt 4 von 4Reflektieren

Frage · Selbstcheck
Ein Unternehmen nutzt ein Reasoning Model für seinen Chatbot, der einfache FAQ-Fragen beantwortet. Was ist das Hauptproblem?