Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Reasoning-Modell

Ein Reasoning-Modell (Denkmodell) ist ein Sprachmodell, das darauf trainiert ist, ein Problem in einem Strom von Zwischen-Denk-Tokens durchzuarbeiten, bevor es seine endgültige Antwort gibt. Das hilft meist bei Mathematik, Coding und mehrstufigen Aufgaben.

Auch: thinking model, extended thinking

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Reasoning-Modelle setzen beim Antworten zusätzliche Rechenleistung ein, ein Muster namens Test-Time Compute. Statt sofort zu antworten, schreibt das Modell einen Lösungsweg aus, prüft Schritte und ändert den Kurs, dann antwortet es.

Wie sie trainiert werden

Das Verhalten entwickelt sich aus dem Chain-of-Thought-Prompting, aber Reasoning-Modelle werden gezielt dafür trainiert, oft mit Reinforcement Learning auf Aufgaben, deren Antworten sich prüfen lassen. Das R1-Paper von DeepSeek berichtet, dass sich Reasoning-Fähigkeiten allein durch Reinforcement Learning fördern lassen, wobei Muster wie Selbstreflexion und Verifikation im Training entstehen.

Extended Thinking

Anbieter machen Reasoning auf unterschiedliche Weise zugänglich. Anthropic nennt seine Version Extended Thinking. Im manuellen Modus gibt eine Einstellung namens budget_tokens ein Ziel vor, wie viele Tokens Claude für sein internes Nachdenken verwenden darf, und die Dokumentation von Anthropic empfiehlt den neueren Modus Adaptive Thinking, in dem das Modell selbst entscheidet, wie viel es nachdenkt.

Kosten und Grenzen

Denk-Tokens werden meist als Output-Tokens abgerechnet, daher kann ein Reasoning-Modell pro Anfrage viel mehr kosten als ein einfaches und länger zum Antworten brauchen. Siehe Token-Preise. Für einfache Abfragen, Umformulierungen oder Klassifikation ist ein Modell ohne Reasoning oft schneller und genauso genau. Das sichtbare Nachdenken ist kein garantierter Bericht darüber, wie das Modell zu seiner Antwort kam.

Verwandte Begriffe

Chain-of-Thought
Chain-of-Thought (CoT, Gedankenkette) ist eine Prompting-Methode, bei der ein Sprachmodell vor seiner endgültigen Antwort Zwischenschritte seines Denkens ausschreibt, was Ergebnisse bei Mathematik, Logik und anderen mehrstufigen Aufgaben meist verbessert.
Großes Sprachmodell
Ein großes Sprachmodell (Large Language Model, LLM) ist ein neuronales Netz mit Milliarden Parametern, das auf großen Textmengen trainiert wurde, um das nächste Token vorherzusagen, wodurch es schreiben, Fragen beantworten, zusammenfassen und Anweisungen befolgen kann.
Token-Preise
Token-Preise (Token Pricing) sind die Art, wie die meisten APIs für KI-Modelle abrechnen: ein fester Preis pro Million Input-Tokens, die du schickst, und ein separater, meist höherer Preis pro Million Output-Tokens, die das Modell erzeugt, mit Rabatten für gecachten Input und Batch-Jobs.
Test-Time Compute
Test-Time Compute (Rechenaufwand zur Antwortzeit) ist die Menge an Berechnung, die ein Modell beim Beantworten einer Anfrage aufwendet, statt im Training. Wenn ein Modell länger nachdenken oder mehrere Antworten ausprobieren darf, kann das die Ergebnisse bei schwierigen Problemen verbessern.
Output-Tokens
Output-Tokens sind die Tokens, die ein Sprachmodell in seiner Antwort erzeugt. Sie werden getrennt von Input-Tokens gezählt und abgerechnet, und eine Einstellung namens max_tokens begrenzt, wie viele eine Antwort enthalten darf.

Quellen