Reasoning Models
iStand: September 2026
Konkrete Modellnamen (o1, o3, Claude Opus 5, GPT-5.6 etc.) entsprechen dem Stand vom September 2026. Die Konzepte (Thinking Tokens, Chain-of-Thought, Extended Thinking) sind langlebig — die Modellbeispiele veralten dagegen schnell.
Wissen
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 mit Extended Thinking: Anthropics Ansatz -- der Denkprozess wird als zusammengefasstes Thinking (Adaptive Thinking) zurückgegeben.
- GPT-5.6: Bietet einen konfigurierbaren Thinking-Modus mit verschiedenen Intensitätsstufen.
iThinking 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.
Verstehen
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?
| Aufgabe | Standard-LLM | Reasoning Model |
|---|---|---|
| E-Mail schreiben | Ausreichend | Übertrieben |
| Mathe-Aufgabe lösen | Fehleranfällig | Deutlich besser |
| Code-Debugging | Grundlegend | Exzellent |
| Kreatives Schreiben | Gut | Langsamer, nicht nötig |
| Logische Rätsel | Oft falsch | Zuverlässig |
| Einfache Fragen | Schnell & günstig | Zu teuer & langsam |
*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.
Anwenden
Wenn du mit Claude Opus 5 oder GPT-5.6 Sol arbeitest, beobachte den Denkprozess:
- Einfache Frage stellen: "Was ist die Hauptstadt von Deutschland?" -- Das Modell antwortet sofort, kaum Thinking Tokens.
- 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.
Reflektieren
Ein Unternehmen nutzt ein Reasoning Model für seinen Chatbot, der einfache FAQ-Fragen beantwortet. Was ist das Hauptproblem?