> For the complete documentation index, see [llms.txt](https://docs.blockbrain.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.blockbrain.ai/de/for-users/all-about-llms/overview-of-llms.md). # Überblick über LLMs Entdecken und vergleichen Sie die beliebtesten Large Language Models (LLMs) von GPT bis Claude und darüber hinaus. ### 1. Hauptanwendungsfälle für LLMs & R-LLMs finden
AnwendungsfallLLM-Modelle
Allgemeine ProduktivitätGPT 5.6 Terra, Gemini 3.5 Flash, Claude Sonnet 5
Komplexes SchlussfolgernClaude Opus 5, GPT 5.6 Sol, Gemini 3.5 Flash
Strukturiertes Schreiben & SyntheseClaude Sonnet 5, GPT 5.6 Terra, Gemini 3.1 Pro
Coding- & technische WorkflowsClaude Opus 4.8, Claude Sonnet 5, GPT 5.3 Codex
Schnelle & skalierbare VerarbeitungGPT 5.6 Luna, Gemini 3.5 Flash (Lite), Claude Haiku 4.5
### 2. Hosting-Präferenz Wählen Sie, wo Ihre Daten verarbeitet werden, basierend auf Ihren Datenschutzanforderungen und Zugriffsprioritäten. Wir bieten zwei Hosting-Optionen an, EU und US, jeweils mit unterschiedlichen Vorteilen in Bezug auf Compliance, Geschwindigkeit und Modellzugriff. | Faktor | EU-Hosting (Datenschutz zuerst) | US-Hosting (Feature zuerst) | | --------------------------------------- | ------------------------------------------------------------------------------ | ------------------------------------------------------------- | | **DSGVO-Konformität** | Vollständig DSGVO-konform | Standardmäßig nicht DSGVO-konform | | **Datenresidenz** | Daten bleiben in der EU | Daten weltweit gespeichert | | **Modellverfügbarkeit** | Verspätete Modellfreigabe abhängig von der Verfügbarkeit des EU-Rechenzentrums | Voller Zugriff zuerst auf die neuesten Modelle und Funktionen | | **Rechtliche & regulatorische Risiken** | Erfüllt strengere EU-Datenschutzgesetze | Unterliegt US-Recht und Übertragungsschutzmaßnahmen | **Zusammenfassung:** * **Wählen Sie EU-Hosting** wenn Sie Priorität auf **DSGVO-Konformität** und **strikten Datenschutz** innerhalb Europas legen. * **Wählen Sie US-Hosting** wenn Sie **die neuesten Modelle** und globale Rechenzentren möchten. ### 3. Geschwindigkeit vs. Tiefe: Was ist Ihnen wichtiger? Einige Modelle sind für schnelle, leichte Aufgaben konzipiert. Andere sind darauf ausgelegt, tiefer zu gehen, gründlicher nachzudenken und mehr Komplexität zu bewältigen. Wählen Sie je nach der Art der Erfahrung, die Sie benötigen. | Präferenz | Wann wählen | Modelle | | ---------------------------------------------------------- | -------------------------------------------------------------------------------------------- | -------------------------------------------------------- | |

Hohe Geschwindigkeit
(schnell, reaktionsfreudig)

| Für schnelle Antworten oder einfache Aufgaben, bei denen geringe Latenz am wichtigsten ist. | Gemini 3.5 Flash, Claude Sonnet 4.6 (Fast), GPT 5.6 Luna | |

Hohe Tiefe
(detailliert, strukturiert)

| Für komplexe Prompts, mehrstufige Logik oder detaillierte Analysen, die Reflexion erfordern. | Gemini 3.5 Flash, Claude Opus 5, GPT 5.6 Sol | ### 4. Wählen Sie Ihre gewünschten LLMs ### AWS Bedrock: Anthropic Claude | Modell | Beschreibung | | ------------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | Claude Opus 5 | Ein großer Sprung gegenüber Opus 4.8 zum gleichen Preis, der an die Intelligenz von Fable 5 bei halben Kosten herankommt. Es übertrifft Opus 4.8 im Frontier-Bench v0.1 mehr als doppelt (43,3 % gegenüber 21,1 %) und führt bei Wissensarbeit mit 1861 bei GDPval-AA v2. Am besten für langlaufende Agenten und komplexe professionelle Arbeit, bei der das Modell seine eigene Ausgabe überprüfen muss. | | Claude Sonnet 5 | Das bislang agentischste Sonnet und ein erhebliches Upgrade gegenüber Sonnet 4.6 in Bezug auf Schlussfolgern, Tool-Nutzung, Coding und Wissensarbeit. Es kommt Opus 4.8 zu einem niedrigeren Preis nahe, mit einstellbaren Aufwandsstufen, die Opus bei Aufgaben wie agentischer Suche und Computer-Nutzung entsprechen können. Am besten für mehrstufiges Coding und Automatisierungsarbeit, die nahezu Flaggschiff-Fähigkeiten ohne Flaggschiff-Preis benötigt. | | Claude Opus 4.8 | Ein durchgängiger Fortschritt gegenüber Opus 4.7. Es ist ein Top-Modell für agentisches Coding und Computer-Nutzung. Es führt bei SWE-Bench Pro (69,2 %) vor GPT-5.5 und Gemini 3.1 Pro und erzielt 83,4 % bei OSWorld-Verified für agentische Computer-Nutzung. Ein zentrales Highlight ist seine verbesserte Ehrlichkeit, wodurch es zu einem zuverlässigeren Partner für komplexe, langlaufende Aufgaben wird. | | Claude Opus 4.7 | Ein großer Sprung gegenüber Opus 4.6, entwickelt für schwierige praktische Coding-Arbeiten. Es erzielt 64,5 % bei SWE-bench Pro (gegenüber 53,4 % bei Opus 4.6), und Nutzer berichten, dass sie ihre schwierigsten Engineering-Aufgaben mit Vertrauen übergeben können. Über das Coding hinaus ist es in allen Metriken ein verlässliches Upgrade. | | Claude Opus 4.6 | Ein Schritt nach oben gegenüber Opus 4.5 beim Coding, mit zuverlässigerer Leistung bei agentischen Aufgaben, Codebase-Management sowie strukturiertem Code-Review und Debugging. Es bewältigt auch schwere Arbeit besser, bleibt konsistenter und effizienter bei Analysen, Dokumentenprüfung und Multitasking. | | Claude Opus 4.6 (Max) | Eine Konfiguration von Claude Opus 4.6. Sie arbeitet im Modus „Max Reasoning“. Sie wendet die volle Schlussfolgerungstiefe für die komplexesten Aufgaben an und maximiert Genauigkeit und Zuverlässigkeit bei höherer Latenz und höheren Kosten. | | Claude Opus 4.6 (High) | Eine Konfiguration von Claude Opus 4.6. Sie arbeitet im Modus „High Reasoning“. Sie nutzt tiefere Schlussfolgerungsschritte für komplexere Aufgaben und verbessert Genauigkeit und Struktur auf Kosten der Geschwindigkeit. | | Claude Opus 4.6 (Medium) | Eine Konfiguration von Claude Opus 4.6. Sie arbeitet im Modus „Medium Reasoning“. Sie balanciert die Tiefe des Schlussfolgerns mit der Geschwindigkeit und ermöglicht strukturiertere Ausgaben, ohne die Latenz wesentlich zu erhöhen. | | Claude Opus 4.6 (Low) | Eine Konfiguration von Claude Opus 4.6. Sie arbeitet im Modus „Low Reasoning“. Sie minimiert erweiterte Schlussfolgerungsschritte für schnellere, effizientere Ausgaben. | | Claude Sonnet 4.6 | Ein großartiges Alltagsmodell, stärker als Sonnet 4.5 beim Coding, der Computer-Nutzung und dem Schlussfolgern über lange Kontexte hinweg; erzielt 79,6 % bei SWE-bench Verified. Gut geeignet für Agent-Workflows, Aufgaben mit großen Codebasen, Dokumentenanalyse und andere mehrstufige Arbeiten. | | Claude Sonnet 4.6 (Fast) | Eine Konfiguration von Claude Sonnet 4.6. Sie arbeitet strikt im Modus „Non-Reasoning“ und umgeht lange Denkprozesse, um qualitativ hochwertige Ausgaben mit geringer Latenz zu liefern. | | Claude Haiku 4.5 | Schnell, effizient und für Skalierung gebaut. Liefert Coding- und Schlussfolgerungsleistung nahezu auf Sonnet-Niveau zu etwa 3× geringeren Kosten und mit 2× höherer Geschwindigkeit. Hervorragend bei Tool-Nutzung, UI-Interaktion und paralleler Aufgabenausführung, ideal als Worker-Modell in Multi-Agent- oder Produktions-Setups. Stark in Coding-Zuverlässigkeit. Am besten für Backend-Automatisierungen, Chat-Workloads und Agentensysteme, die Geschwindigkeit und geringe Kosten benötigen. | | Claude Haiku 4.5 (Fast) | Schnell, effizient und für Skalierung gebaut. Liefert Coding- und Schlussfolgerungsleistung nahezu auf Sonnet-Niveau zu etwa 3× geringeren Kosten und mit 2× höherer Geschwindigkeit. Hervorragend bei Tool-Nutzung, UI-Interaktion und paralleler Aufgabenausführung, ideal als Worker-Modell in Multi-Agent- oder Produktions-Setups. Stark in Coding-Zuverlässigkeit. Am besten für Backend-Automatisierungen, Chat-Workloads und Agentensysteme, die Geschwindigkeit und geringe Kosten benötigen. | ### AWS Bedrock: Andere | Modell | Beschreibung | | ----------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Gemma 4 31B | Ein leistungsstarkes Open-Weight-Modell, entwickelt für fortgeschrittenes Schlussfolgern, Coding und agentische Workflows. Die 31B Dense-Variante belegt Platz 3 unter den Open Models auf Arena AI und übertrifft einige Modelle mit bis zu 20× mehr Größe. Unterstützt natives Verständnis von Bildern und Videos sowie mehr als 140 Sprachen. Am besten für selbst gehostete Coding-Assistenten, Dokumentenanalyse und anpassbare Enterprise-Agenten | ### Google Vertex AI: Gemini | Modell | Beschreibung | | ---------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | Gemini 3.5 Flash | Ein großer Sprung gegenüber Gemini 3.1 Pro. Dieses Modell ist für agentische und Coding-Arbeiten mit Flash-Geschwindigkeit konzipiert. Es führt bei MCP Atlas (83,6 %) und Finance Agent v2 (57,9 %) und übertrifft dabei GPT-5.5 und Claude Opus 4.7 in diesen Benchmarks, während es außerdem das multimodale Verständnis mit 84,2 % bei CharXiv Reasoning anführt. Mit der 4-fachen Ausgabegeschwindigkeit anderer Frontier-Modelle ist es die erste Wahl für leistungsstarkes und schnelles mehrstufiges Aufgabenhandling. | | Gemini 3.5 Flash (High) | Eine Konfiguration von Gemini 3.5 Flash mit auf hoch eingestelltem Reasoning-Effort. Am besten für schwieriges Coding, agentische Workflows und mehrstufiges Schlussfolgern. | | Gemini 3.5 Flash (Medium) | Eine Konfiguration von Gemini 3.5 Flash mit auf mittel eingestelltem Reasoning-Effort. Sie balanciert Denktiefe und Antwortgeschwindigkeit für zuverlässige Alltagsleistung. Am besten als allgemeiner Standard, wenn Aufgaben in ihrer Komplexität variieren. | | Gemini 3.5 Flash (Low) | Eine Konfiguration von Gemini 3.5 Flash mit auf niedrig eingestelltem Reasoning-Effort. Sie antwortet schnell mit leichter Schlussfolgerung und hält Kosten und Latenz niedrig. | | Gemini 3.5 Flash (Minimal) | Eine Konfiguration von Gemini 3.5 Flash mit auf minimal eingestelltem Reasoning-Effort. Am besten für Klassifizierung, Extraktion und schnelle Antworten. | | Gemini 3.1 Pro | Großartig für komplexes Schlussfolgern, Coding und Arbeiten mit langem Kontext über Texte, Bilder, Audio, Videos, PDFs und große Codebasen hinweg. Am besten geeignet für Deep Research, mehrstufige Agenten-Workflows, technische Planung und dokumentenlastige Analysen, bei denen starkes Schlussfolgern und breites multimodales Verständnis am wichtigsten sind. | | Gemini 3.1 Flash (Lite) | Das schnellste und kosteneffizienteste Modell der Gemini-3-Serie. Sehr hilfreich für Aufgaben mit hohem Volumen. Es übertrifft vergleichbare Modelle wie GPT-5 Mini und Claude 4.5 Haiku in Schlussfolgerungs- und multimodalen Benchmarks, einschließlich 86,9 % bei GPQA Diamond und 76,8 % bei MMMU-Pro. Am besten für Übersetzung, Inhaltsmoderation, Datenlabeling und jede Aufgabe, die Sie schnell und kostengünstig in großem Maßstab ausführen müssen. | | Gemini 3 Pro | Hochleistungsfähiges multimodales Modell für Teams, die mit Texten, Bildern, Dokumenten, Videos und Code arbeiten. Es bietet starkes Schlussfolgern über lange Kontexte, zuverlässige Analysen über große Dateien hinweg und fortgeschrittene Tool-Nutzung für stärker automatisierte Workflows. Für Unternehmen, die auf visuelle Daten, technische Dokumentation oder Entwicklungsaufgaben angewiesen sind, bietet es breitere multimodale Abdeckung und tieferes Datei-Verständnis als textfokussierte Modelle | | Gemini 3 Flash | (keine Beschreibung im JSON) | | Gemini 2.5 Pro | Ein ausgewogenes, zuverlässiges Modell für alltägliche Aufgaben. Hervorragend bei Schlussfolgern, Konversation und Coding, wodurch es gut geeignet ist für intelligente Assistenten, Business-Tools und kreative Workflows, die Geschwindigkeit, Genauigkeit und durchdachte Ausgaben erfordern. | | Gemini 2.5 Pro (Enterprise Search) | Hervorragend bei Schlussfolgern, Konversation und Coding und für sichere kommerzielle Nutzung konfiguriert. Es verwendet Web Grounding für Enterprise, um Zugriff auf aktuelle Webdaten zu bieten, ohne die Datenschutzrisiken herkömmlicher Suchwerkzeuge. | | Gemini 2.5 Flash | Intelligenter und leistungsfähiger als 2.0 Flash, mit schnellen Antworten und sichtbarem Schlussfolgern. Am besten für Echtzeitaufgaben, die sowohl Geschwindigkeit als auch leichtes Denken erfordern, wie Chatbots, Copilots und skalierbare KI-Tools. | | Gemini Live 2.5 Flash Native Audio | Echtzeit-Sprachgespräche mit nativer Audio-Ein- und Ausgabe. Ideal für Sprachassistenten und Live-Interaktionen mit Nutzern, mit Fokus auf Geschwindigkeit und Kosten statt tiefem Schlussfolgern. | | Gemini 2.5 Flash (Lite) | Gemini 2.5 Flash-Lite liefert schnelle, kostengünstige Echtzeitleistung – ideal für Aufgaben mit hohem Volumen im Alltag wie Chatbots, Kundensupport und schnelle Inhaltserstellung. Es ist auf Geschwindigkeit und Effizienz ausgelegt und bietet intelligentere Antworten ohne den hohen Overhead tiefen, komplexen Schlussfolgerns. | | Gemini 2.0 Flash | Für schnelle, reaktionsfreudige Leistung selbst bei großen Eingaben entwickelt. Ideal für Echtzeit-Apps, intelligente Assistenten und Systeme, die sofortige Antworten über lange Gespräche oder Dokumente hinweg benötigen. Unterstützt bis zu 1 Million Tokens und ist damit eine starke Wahl für Aufgaben, die sowohl Geschwindigkeit als auch Skalierung erfordern. | | Gemini 2.0 Flash (Thinking Mode) | Entwickelt für akademische Präzision, komplexe Logik und strukturiertes Problemlösen. Gut geeignet für wissenschaftliche Berichte, schrittweises Schlussfolgern und Dateninterpretationsaufgaben, die Tiefe statt Geschwindigkeit erfordern. Nicht gedacht für schnelle Bearbeitung oder Echtzeitnutzung wie das Standard-Flash-Modell. | | Gemini 2.0 Flash (Lite) | Eine schlankere, kosteneffiziente Version von Gemini Flash, entwickelt für schnelle Interaktionen mit hohem Volumen. Am besten für Chatbots, Zusammenfassungen und Echtzeitaufgaben, bei denen Geschwindigkeit und Skalierung wichtiger sind als tiefes Schlussfolgern oder komplexes Kontextmanagement. | | Gemini 1.5 Pro | Beeindruckendes Kontextfenster von 1 Mio. Tokens. Ausgewogenes Modell mit sehr gutem Preis-Leistungs-Verhältnis. Starke multimodale Fähigkeiten. | | (kein Name im JSON) | Vorgänger von Gemini 1.5. Solide Grundleistung für verschiedene Aufgaben. Gute multimodale Fähigkeiten. | ### OpenAI | Modell | Beschreibung | | ----------------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | GPT 5.6 Sol | OpenAIs Flaggschiff und bislang bestes Modell, ein Schritt nach oben gegenüber GPT-5.5 in Coding, Wissensarbeit und Computer-Nutzung. Es erzielt 80 im Artificial Analysis Coding Agent Index und 64,6 % auf SWE-Bench Pro (anstatt 59,4 %) und arbeitet dabei schneller sowie mit weniger Tokens. Am besten für schwierige, langlaufende Aufgaben, die hochwertige Ausgaben benötigen. | | GPT 5.6 Terra | Die ausgewogene Mittelklasse der GPT-5.6-Familie, die GPT-5.5 zum halben Preis erreicht oder übertrifft. Beim Coding konkurriert sie mit GPT-5.5 und erzielt 77,4 im Artificial Analysis Coding Agent Index (vs. 76,4). Der praktische Standard für alltägliche Arbeit, die nahezu Flaggschiff-Qualität ohne ineffiziente Kosten benötigt. | | GPT 5.6 Luna | Das schnellste und günstigste Modell der GPT-5.6-Familie, entwickelt für Geschwindigkeit und Volumen. Es erreicht fast die Spitzenleistung von GPT-5.5 zu weniger als halben Kosten und übertrifft Claude Opus 4.8 im Artificial Analysis Coding Agent Index. Am besten für Aufgaben mit hohem Volumen und sensiblen Kosten, die dennoch zuverlässige Qualität benötigen. | | GPT 5.5 Pro | Verwendet dasselbe zugrunde liegende Modell wie GPT-5.5, setzt aber parallele Testzeit-Compute ein, um bei den schwierigsten Aufgaben noch weiter zu gehen. Führt bei BrowseComp (90,1 %) und FrontierMath Tier 4 (39,6 %) und ist damit die stärkste Option für Deep Research und fortgeschrittene Mathematik. Anfragen dauern länger und sind teurer. Heben Sie dies für Probleme auf, bei denen das Standard-Reasoning nicht ausreicht. | | GPT 5.5 | Bewältigt komplexe agentische Arbeit zusammen mit Coding, Recherche, Computer-Nutzung und Aufgaben mit hohem Tokenbedarf sehr gut. Erzielt 82,7 % bei Terminal-Bench 2.0 und 84,9 % bei GDPval und führt damit alle konkurrierenden Modelle bei GPT-5.4 Token-Latenz an. Am besten für Aufgaben, die anhaltendes Schlussfolgern über Kontext hinweg erfordern. | | GPT 5.5 Instant | Ein Upgrade gegenüber GPT-5.3 Instant. Es ist darauf ausgelegt, schneller und günstiger zu sein als das vollständige GPT-5.5-Modell. Es reduziert Halluzinationen erheblich, wobei Ungenauigkeiten in realen, von Nutzern markierten Gesprächen um 37,3 % verringert wurden. Nützlich für GPT-5.5-Intelligenz bei Alltagsaufgaben zu geringeren Kosten als das Vollmodell. | | GPT 5.4 | Bewältigt komplexe, stark auf Schlussfolgerung ausgerichtete Arbeit wirklich gut. Zuverlässiger und konsistenter als GPT-5.3, besonders bei mehrstufigen Aufgaben, strukturierten Ausgaben und unklaren Prompts. | | GPT 5.4 (High Thinking with Search) | Verwendet mehr Reasoning-Ressourcen für komplexe und mehrstufige Aufgaben. Am besten für tiefgehende Analysen, Strategie und technische Problemlösung. Unterstützt die automatische Suche nach aktuellen Informationen, mit höherer Latenz und höheren Kosten. | | GPT 5.4 (High Thinking) | Eine Konfiguration von GPT 5.4. Sie arbeitet im Modus „High-Thinking“. Sie verwendet erweiterte Denk-Schritte für verfeinerte Ergebnisse. | | GPT 5.4 (Low Thinking with Search) | Verwendet zusätzliche Schlussfolgerungs-Compute, um Genauigkeit und Struktur zu verbessern. Geeignet für Zusammenfassungen, leichte Analysen, strukturierte Ausgaben und grundlegende Entscheidungsfindung. Kann bei Bedarf automatisch nach aktuellen Informationen suchen. | | GPT 5.4 (Low Thinking) | Eine Konfiguration von GPT 5.4. Sie arbeitet im Modus „Low-Thinking“. Sie überspringt erweiterte Denk-Schritte für schnellere Ergebnisse. | | GPT 5.4 (Non-Thinking with Search) | Verwendet grundlegende Schlussfolgerung ohne zusätzliche Compute. Optimiert für Geschwindigkeit und Kosten, ideal für einfache Aufgaben wie Formatierung, Klassifizierung und strukturierte Ausgaben, mit automatischer Suche bei Bedarf. | | GPT 5.4 Mini | Hauptsächlich für Coding, Tool-Workflows und hochvolumige Ausführungsaufgaben entwickelt. Dieses Modell ist für Debugging, Navigation in Codebasen und schnelle Iterationsschleifen gebaut. Es ist schnell und kosteneffizient. Am besten als Standard-Produktionsmodell statt für tiefes Schlussfolgern. | | GPT 5.4 Nano | Das neueste kleine und schnelle Modell der GPT-5.4-Familie, entwickelt für Aufgaben, bei denen Geschwindigkeit und Kosten wichtiger sind als tiefes Schlussfolgern. Es ist ein Upgrade gegenüber GPT-5 Nano und eignet sich hervorragend für Aufgaben mit hohem Volumen wie Klassifizierung, Datenextraktion und als unterstützender Agent innerhalb größerer KI-Workflows. Wenn Sie Aufgaben in großem Maßstab ausführen und schnelle, zuverlässige Ausgaben benötigen, ohne Ihr Guthaben aufzubrauchen, ist Nano die richtige Wahl. | | GPT 5.3 Codex | Speziell für agentisches Software-Engineering entwickelt, kombiniert die Coding-Leistung von GPT-5.2 Codex mit breiterem Schlussfolgern über Recherche, Dokumentation und technische Entscheidungsfindung hinweg und läuft 25 % schneller als sein Vorgänger. Am besten für langlaufende Coding-Aufgaben, Debugging und komplexe Ausführungs-Workflows. | | GPT 5.2 | Für professionelle Wissensarbeit von Anfang bis Ende und langlaufende Agenten entwickelt, mit höherer Zuverlässigkeit über komplexe Workflows hinweg. Es erzeugt hochwertigere Arbeitsergebnisse (Tabellen, Präsentationen), schreibt und refaktoriert Code effektiver, versteht langen Kontext besser, erkennt Bilder genauer und nutzt Tools, um mehrstufige Projekte abzuschließen. Als das leistungsfähigste Upgrade der GPT-5-Serie konzipiert, ist GPT-5.2 darauf optimiert, Anweisungen in fertige Ergebnisse umzuwandeln, die echten wirtschaftlichen Wert liefern. | | GPT 5.2 (High Thinking) | Eine Konfiguration von GPT-5.2. Sie arbeitet im Modus „High Thinking“. Sie verwendet tiefere Schlussfolgerungsschritte für komplexere Aufgaben und verbessert die Genauigkeit auf Kosten der Geschwindigkeit. | | GPT 5.2 (Low Thinking with Search) | Eine Konfiguration von GPT-5.2. Sie arbeitet im Modus „Low Thinking“ mit aktivierter Suche. Sie begrenzt erweiterte Schlussfolgerung und verwendet Retrieval, um schnelle, aktuelle Antworten zu unterstützen. | | GPT 5.2 (Low Thinking) | Eine Konfiguration von GPT-5.2. Sie arbeitet im Modus „Low Thinking“. Sie überspringt erweiterte Denk-Schritte für schnellere, effizientere Ausgaben. | | GPT 5.2 (Non-Thinking with Search) | Eine Konfiguration von GPT-5.2. Sie arbeitet im Modus „No Thinking“ mit aktivierter Suche. Sie überspringt Schlussfolgerungsschritte und verlässt sich auf Retrieval für schnelle, aktuelle Antworten. | | GPT 5.2 (Thinking with Search) | Eine Konfiguration von GPT-5.2. Sie arbeitet im Modus „Thinking“ mit aktivierter Suche. Sie verwendet tiefere Schlussfolgerung und nutzt gleichzeitig Retrieval, um die Genauigkeit zu verbessern und Antworten aktuell zu halten. | | GPT 5 | Zugeschnitten auf natürliche Gespräche auf Enterprise-Niveau. Multimodal und kontextbewusst, wechselt es nahtlos über lange Dialoge hinweg, verarbeitet Bilder und Text und passt Tonfall sowie Tiefe des Schlussfolgerns an. Hinweis: Vorgesehen als Ersatz für GPT 4o und GPT 4.1 | | GPT 5 (Thinking) | Denkt wie ein Experte und passt sich der Aufgabe an. Bewältigt alles von Schreiben und Coding bis Recherche und Datenanalyse und wechselt nahtlos zwischen schnellen Antworten und tiefgehendem Schlussfolgern. Arbeitet mit Text und Bildern, behält den Kontext über lange Sitzungen hinweg und liefert genauere, zuverlässigere Ergebnisse. Hinweis: Vorgesehen als Ersatz für OpenAI o3 und OpenAI o3 Pro | | GPT 5 Mini | Schlank, kostenbewusst und dennoch präzise. Liefert zuverlässige Befolgung von Anweisungen, reichhaltige multimodale Antworten (Text + Bilder) und reduzierte Latenz. Und das alles, während es die starke Reasoning- und Sicherheitsabstimmung von GPT‑5 teilt, jedoch mit geringerem Rechenaufwand und günstigerem Preis. Hinweis: Vorgesehen als Ersatz für GPT 4o Mini und OpenAI o4 Mini | | GPT 5 Nano | Ultraleicht und blitzschnell. Gebaut für Anforderungen mit geringer Latenz wie Zusammenfassungen, Klassifizierung und schnelle Fragen-und-Antworten, nutzt es die Reasoning-Fähigkeiten von GPT‑5 zu einem Bruchteil der Kosten und Rechenleistung. Hinweis: Vorgesehen als Ersatz für GPT 4.1 Nano | | GPT 4.5 | Achtung: Sehr teuer — 10–15× kostspieliger als GPT-4o. Liefert subtile Verbesserungen im emotionalen Tonfall, im Schreibfluss und bei kreativen Ideen, besonders in chatähnlichen Situationen. Am besten für ausgefeilte Gesprächsausgaben, aber nicht empfohlen für Schlussfolgern, Analysen oder komplexe Aufgaben. | | (kein Name im JSON) | Spezialisierte Version von GPT-4 mit herausragenden Fähigkeiten in der Bildanalyse und dem Bildverständnis. Kann komplexe visuelle Konzepte erklären und analysieren. | | (kein Name im JSON) | Optimierte GPT-4-Version mit höherer Verarbeitungsgeschwindigkeit bei etwas reduzierter Präzision. Aktuelleres Trainingswissen als das Basismodell GPT-4. | | GPT 4 Omni | Entwickelt für Echtzeit-Interaktion über Text, Audio und Bilder hinweg. Ideal für intelligente Assistenten, Live-Anwendungen und kreative Aufgaben, die von schnellen Antworten und nahtloser multimodaler Eingabe profitieren. Bietet schnellere Leistung und niedrigere Kosten als frühere GPT-4-Modelle. | | OpenAI GPT 4o Realtime Audio | Ideal für schnelle, konversationelle Aufgaben mit Streaming-Audio. Extrem niedrige Latenz und starkes Verständnis für sprachbasierte Interaktionen. Am besten für Echtzeit-Assistenten und Audio-First-Produkte. | | GPT 4o Mini | Eine kleinere, günstigere Version von GPT-4 Omni, entwickelt für schnelle, hochwertige Antworten ohne die höheren Kosten. Ideal für intelligente Assistenten, alltägliche Aufgaben und Apps, die zuverlässiges Schlussfolgern mit etwas Bild- oder Audioeingabe benötigen. | | GPT Realtime 2 | Das neueste Live-Sprachmodell. Nützlich für echte Gespräche, die tatsächliches Schlussfolgern erfordern. Ein erhebliches Upgrade gegenüber GPT-Realtime-1.5, von 81,4 % auf 96,6 % bei Big Bench Audio, und am besten geeignet für Voice Agents. | | OpenAI GPT Realtime | Gebaut für Live-Gespräche mit geringer Latenz und Voice-in-, Voice-out-Streaming. Es nutzt den Reasoning-Kern von GPT-4o, ist aber für schnelle Dialoge optimiert. Am besten für interaktive Assistenten, Echtzeit-Übersetzer und konversationelle KI mit natürlichen Audio-Antworten. Stark bei Geschwindigkeit und Benutzerfreundlichkeit, aber nicht für lange, komplexe Schlussfolgerungsaufgaben gedacht. | | o4 Mini | Eine schnellere, günstigere Version von o4, entwickelt für schnelle Gespräche und Reaktionsfähigkeit in Echtzeit. Ideal für Chatbots, einfache Assistenten und alltägliche Tools, die Geschwindigkeit, Klarheit und einen leichten Ansatz ohne die Ressourcenanforderungen größerer Modelle benötigen. | | o3 Pro | HAFTUNGSAUSSCHLUSS: Sehr teuer! Nur verwenden, wenn nötig. Lange Wartezeiten je nach Prompt, daher für Echtzeitnutzung ungeeignet. Großartig für rechtliche Analysen mit hohem Risiko, tiefgehende Geschäftsstrategie und technische Entscheidungsfindung. Effizient beim Aufschlüsseln komplexer Dokumente, Erstellen logikgetriebener Berichte und beim Leiten langfristiger Pläne. | | o3 | VORSICHT: Sehr kostenintensiv. Großartig für logiklastige Aufgaben wie Rechtsanalysen, Geschäftsstrategie und technische Planung. Zerlegt komplexe Dokumente, leitet langfristige Pläne und erstellt strukturierte, erkenntnisorientierte Ausgaben. | | o3 Mini | Eine kleinere Version von o3, optimiert für schnelle, strukturierte Antworten. Ideal für kurzes Schlussfolgern, technische Prompts und leichte Aufgaben, bei denen Geschwindigkeit und Effizienz wichtiger sind als kreative Tiefe. | | o1 | Warnung: Sehr teuer! Spezialisiert auf intelligentes Problemlösen. Großartig für technisches Schlussfolgern, Coding-Hilfe und strukturierte Denkaufgaben, aber für Gelegenheitsnutzer weniger gesprächig. | | o1 Mini | Warnung: Sehr teuer! Ein kompaktes Reasoning-Modell. Es eignet sich am besten für grundlegende technische Aufgaben, schnellere leichte Bereitstellungen und Logik-Workflows, die keine tiefen Erklärungen benötigen. | ### Azure OpenAI | Modell | Beschreibung | | ------------------------------ | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | GPT 5.6 Sol | OpenAIs Flaggschiff und bislang bestes Modell, ein Schritt nach oben gegenüber GPT-5.5 in Coding, Wissensarbeit und Computer-Nutzung. Es erzielt 80 im Artificial Analysis Coding Agent Index und 64,6 % auf SWE-Bench Pro (anstatt 59,4 %) und arbeitet dabei schneller sowie mit weniger Tokens. Am besten für schwierige, langlaufende Aufgaben, die hochwertige Ausgaben benötigen. | | GPT 5.6 Terra | Die ausgewogene Mittelklasse der GPT-5.6-Familie, die GPT-5.5 zum halben Preis erreicht oder übertrifft. Beim Coding konkurriert sie mit GPT-5.5 und erzielt 77,4 im Artificial Analysis Coding Agent Index (vs. 76,4). Der praktische Standard für alltägliche Arbeit, die nahezu Flaggschiff-Qualität ohne ineffiziente Kosten benötigt. | | GPT 5.6 Luna | Das schnellste und günstigste Modell der GPT-5.6-Familie, entwickelt für Geschwindigkeit und Volumen. Es erreicht fast die Spitzenleistung von GPT-5.5 zu weniger als halben Kosten und übertrifft Claude Opus 4.8 im Artificial Analysis Coding Agent Index. Am besten für Aufgaben mit hohem Volumen und sensiblen Kosten, die dennoch zuverlässige Qualität benötigen. | | GPT 5.5 Instant | Ein Upgrade gegenüber GPT-5.3 Instant. Es ist darauf ausgelegt, schneller und günstiger zu sein als das vollständige GPT-5.5-Modell. Es reduziert Halluzinationen erheblich, wobei Ungenauigkeiten in realen, von Nutzern markierten Gesprächen um 37,3 % verringert wurden. Nützlich für GPT-5.5-Intelligenz bei Alltagsaufgaben zu geringeren Kosten als das Vollmodell. | | GPT 5.4 | Bewältigt komplexe, stark auf Schlussfolgerung ausgerichtete Arbeit wirklich gut. Zuverlässiger und konsistenter als GPT-5.3, besonders bei mehrstufigen Aufgaben, strukturierten Ausgaben und unklaren Prompts. | | GPT 5.4 (High Thinking) | Eine Konfiguration von GPT 5.4. Sie arbeitet im Modus „High-Thinking“. Sie verwendet erweiterte Denk-Schritte für verfeinerte Ergebnisse. | | GPT 5.4 (Low Thinking) | Konfiguration von GPT 5.4, die im Modus mit geringer Denkleistung läuft. Sie überspringt erweiterte Schlussfolgerungsschritte, um schnellere Antworten zurückzugeben, optimiert auf geringe Latenz bei zugleich solider Ausgabequalität für unkomplizierte Aufgaben. | | GPT 5.2 | Für professionelle Wissensarbeit von Anfang bis Ende und langlaufende Agenten entwickelt, mit höherer Zuverlässigkeit über komplexe Workflows hinweg. Es erzeugt hochwertigere Arbeitsergebnisse (Tabellen, Präsentationen), schreibt und refaktoriert Code effektiver, versteht langen Kontext besser, erkennt Bilder genauer und nutzt Tools, um mehrstufige Projekte abzuschließen. Als das leistungsfähigste Upgrade der GPT-5-Serie konzipiert, ist GPT-5.2 darauf optimiert, Anweisungen in fertige Ergebnisse umzuwandeln, die echten wirtschaftlichen Wert liefern. | | GPT 5.1 | Entwickelt für schnelle, zuverlässige Gespräche mit stärkerer Befolgung von Anweisungen und natürlicherem Dialog. Es antwortet schnell auf einfache Aufgaben, behält in längeren Threads die Klarheit bei und passt den Ton mit mehr Kontrolle an. Als verfeinertes Upgrade zu GPT-5 mit flüssigerer Kommunikation und verbesserter Alltagstauglichkeit konzipiert. | | GPT 5.1 Codex | Hoher Nutzen für Entwickler-Workflows wie Codegenerierung und Programmieraufgaben. Am besten für kurze bis mittlere Coding-Probleme, die klare Befolgung von Anweisungen erfordern. Funktioniert besonders gut für die Entwicklung mit menschlicher Kontrolle im Loop. | | GPT 5.1 Codex Max | Entwickelt für komplexe, risikoreiche Coding-Arbeiten und autonome Agenten. Stärkeres Schlussfolgern und mehr Konsistenz über große Codebasen hinweg als Standard-Codex. Geeignet für mehrstufige Refactorings und Arbeiten mit langem Kontext, bei höherer Latenz und höheren Kosten. Am besten selektiv für Engineering-Aufgaben einsetzen, bei denen Korrektheit und Tiefe wichtiger sind als Geschwindigkeit. | | GPT 5.1 (Hohe Denkleistung) | Verwendet umfangreiche „Reasoning“-Token-Ressourcen für tiefere Antworten. Am besten für Arbeit, die Planung, Urteilsvermögen und sorgfältiges Nachdenken erfordert. Enthält die vollständige Wissensbasis und die Kernfähigkeiten von GPT-5.1. | | GPT 5.1 (Geringe Denkleistung) | Nutzen reduzierte „Reasoning“-Ressourcen für hohe Reaktionsfähigkeit und Effizienz. Es umgeht tiefes reflektierendes Verarbeiten, um nahezu sofortige Antworten zu liefern, wodurch es sich ideal für Echtzeitgespräche und die Verarbeitung großer Datenmengen eignet. Es priorisiert Geschwindigkeit für Workflows, bei denen komplexe Problemlösung nicht erforderlich ist. | | GPT 5.1 (Ohne Denken) | Es nutzt die geringsten „Reasoning“-Ressourcen, um die niedrigstmögliche Latenz und maximale Kosteneffizienz zu bieten. Es ist für Aufgaben konzipiert, bei denen Analyse weniger notwendig ist, etwa einfache Textformatierung, Klassifizierung großer Datenmengen und Gesprächsfluss, während weiterhin die vollständige Wissensbasis und die Kernfähigkeiten von GPT 5.1 genutzt werden. | | GPT 5 | Zugeschnitten auf natürliche Gespräche auf Enterprise-Niveau. Multimodal und kontextbewusst, wechselt es nahtlos über lange Dialoge hinweg, verarbeitet Bilder und Text und passt Tonfall sowie Tiefe des Schlussfolgerns an. Hinweis: Vorgesehen als Ersatz für GPT 4o und GPT 4.1 | | GPT 5 Codex | GPT-5 Codex ist eine Version von OpenAIs GPT-5-Modell, die auf Softwareentwicklung und Coding-Aufgaben zugeschnitten ist. Es dient als KI-Coding-Assistent, der Projekte erstellen, Funktionen hinzufügen, Fehler beheben, Code refaktorieren und Code-Reviews durchführen kann. Das Modell passt seine Denkzeit an die Komplexität der Aufgaben an und unterstützt multimodale Eingaben wie Bilder. | | GPT 5 (Thinking) | Denkt wie ein Experte und passt sich der Aufgabe an. Bewältigt alles von Schreiben und Coding bis hin zu Recherche und Datenanalyse und wechselt nahtlos zwischen schnellen Antworten und tiefgehender Schlussfolgerung. Arbeitet mit Text und Bildern, behält über lange Sitzungen hinweg den Kontext bei und liefert präzisere, zuverlässigere Ergebnisse. Hinweis: Nachfolger von o3 und o3 Pro | | GPT 5 Mini | Schlank, kostenbewusst und dennoch präzise. Liefert zuverlässige Befolgung von Anweisungen, reichhaltige multimodale Antworten (Text + Bilder) und reduzierte Latenz. Und das alles, während es die starke Reasoning- und Sicherheitsabstimmung von GPT‑5 teilt, jedoch mit geringerem Rechenaufwand und günstigerem Preis. Hinweis: Vorgesehen als Ersatz für GPT 4o Mini und OpenAI o4 Mini | | GPT 5 Nano | Ultraleicht und blitzschnell. Gebaut für Anforderungen mit geringer Latenz wie Zusammenfassungen, Klassifizierung und schnelle Fragen-und-Antworten, nutzt es die Reasoning-Fähigkeiten von GPT‑5 zu einem Bruchteil der Kosten und Rechenleistung. Hinweis: Vorgesehen als Ersatz für GPT 4.1 Nano | | GPT 5 (Auto) | Wählt automatisch das am besten geeignete Modell aus der GPT-Modellfamilie basierend auf der Komplexität Ihrer Anfrage und den Leistungsanforderungen aus. Spart Ihnen das manuelle Wechseln zwischen verschiedenen Modellen und optimiert dabei Qualität, Geschwindigkeit und Effizienz. Das ausgewählte Modell wird bei jeder Antwort angezeigt. Weiterleitung an: GPT-5- und GPT-4.1-Familie sowie o4 Mini. **Dieses Modell befindet sich derzeit in der Vorschau von Azure AI.** | | GPT 4.1 | Ein leistungsstarkes und verfeinertes Modell, das für Aufgaben entwickelt wurde, die Präzision und Tiefe erfordern. Es glänzt beim Coding, beim Befolgen von Anweisungen und beim Verarbeiten umfangreicher Dokumente, dank seines erweiterten Kontextfensters von 1 Million Tokens. Es ist eine zuverlässige Wahl für Entwickler, Forschende und Fachleute, die im Vergleich zu früheren GPT-4-Modellen verbesserte Leistung und Kosteneffizienz suchen. | | GPT 4.1 Mini | Eine schnellere, effizientere Version von GPT-4.1, die viel von ihrer Qualität beibehält und dabei weniger Ressourcen verbraucht. Ideal für Entwickler, Start-ups, Produktteams und alle, die smarte Tools oder Assistenten bauen, die schnelle, leistungsfähige Performance zu geringeren Kosten und mit kürzeren Reaktionszeiten benötigen. | | GPT 4.1 Nano | Das schnellste und leichtgewichtigste GPT-4.1-Modell, entwickelt für Geschwindigkeit und Einfachheit. Ideal für Entwickler, Produktteams und Start-ups, die schnelles Autocomplete, rasche Klassifizierungen oder leichtgewichtige Assistenten benötigen, bei denen Kosten und Antwortzeit am wichtigsten sind. | | Azure GPT 4o Realtime Audio | Ideal für schnelle, konversationelle Aufgaben mit Streaming-Audio. Extrem niedrige Latenz und starkes Verständnis für sprachbasierte Interaktionen. Am besten für Echtzeit-Assistenten und Audio-First-Produkte. | | GPT 4 Omni | Entwickelt für Echtzeit-Interaktion über Text, Audio und Bilder hinweg. Ideal für intelligente Assistenten, Live-Anwendungen und kreative Aufgaben, die von schnellen Antworten und nahtloser multimodaler Eingabe profitieren. Bietet schnellere Leistung und niedrigere Kosten als frühere GPT-4-Modelle. | | GPT 4 Turbo | Optimierte GPT-4-Version mit höherer Verarbeitungsgeschwindigkeit bei etwas reduzierter Präzision. Aktuelleres Trainingswissen als das Basismodell GPT-4. | | GPT 4 Vision | Spezialisierte Version von GPT-4 mit herausragenden Fähigkeiten in der Bildanalyse und dem Bildverständnis. Kann komplexe visuelle Konzepte erklären und analysieren. | | GPT 4o Mini | Eine kleinere, günstigere Version von GPT-4 Omni, entwickelt für schnelle, hochwertige Antworten ohne die höheren Kosten. Ideal für intelligente Assistenten, alltägliche Aufgaben und Apps, die zuverlässiges Schlussfolgern mit etwas Bild- oder Audioeingabe benötigen. | | GPT 3.5 Turbo | Bewährtes Modell für Standardaufgaben. Sehr schnell und effizient. Gut für einfache bis mittlere Anforderungen. | | (kein Name im JSON) | (keine Beschreibung im JSON) | | DeepSeek R1 | Warnung: Entwickelt in China und in den USA gehostet. Open-Source-Modell für tiefes Schlussfolgern, logisches Problemlösen und strukturierte Analyse. Sehr effektiv bei mathematischen und wissenschaftlichen Aufgaben und ideal für erklärbare, anpassbare Anwendungen. | | Azure GPT Realtime | Gebaut für Live-Gespräche mit geringer Latenz und Voice-in-, Voice-out-Streaming. Es nutzt den Reasoning-Kern von GPT-4o, ist aber für schnelle Dialoge optimiert. Am besten für interaktive Assistenten, Echtzeit-Übersetzer und konversationelle KI mit natürlichen Audio-Antworten. Stark bei Geschwindigkeit und Benutzerfreundlichkeit, aber nicht für lange, komplexe Schlussfolgerungsaufgaben gedacht. | | o4 Mini | Eine schnellere, günstigere Version von o4, entwickelt für schnelle Gespräche und Reaktionsfähigkeit in Echtzeit. Ideal für Chatbots, einfache Assistenten und alltägliche Tools, die Geschwindigkeit, Klarheit und einen leichten Ansatz ohne die Ressourcenanforderungen größerer Modelle benötigen. | | o3 Pro | HAFTUNGSAUSSCHLUSS: Sehr teuer! Nur verwenden, wenn nötig. Lange Wartezeiten je nach Prompt, daher für Echtzeitnutzung ungeeignet. Großartig für rechtliche Analysen mit hohem Risiko, tiefgehende Geschäftsstrategie und technische Entscheidungsfindung. Effizient beim Aufschlüsseln komplexer Dokumente, Erstellen logikgetriebener Berichte und beim Leiten langfristiger Pläne. | | o3 | VORSICHT: Sehr kostenintensiv. Großartig für logiklastige Aufgaben wie Rechtsanalysen, Geschäftsstrategie und technische Planung. Zerlegt komplexe Dokumente, leitet langfristige Pläne und erstellt strukturierte, erkenntnisorientierte Ausgaben. | | o3 Mini | Eine kleinere Version von o3, optimiert für schnelle, strukturierte Antworten. Ideal für kurzes Schlussfolgern, technische Prompts und leichte Aufgaben, bei denen Geschwindigkeit und Effizienz wichtiger sind als kreative Tiefe. | | o1 | Warnung: Sehr teuer! Spezialisiert auf intelligentes Problemlösen. Großartig für technisches Schlussfolgern, Coding-Hilfe und strukturierte Denkaufgaben, aber für Gelegenheitsnutzer weniger gesprächig. | | o1 Mini | Warnung: Sehr teuer! Ein kompaktes Reasoning-Modell. Es eignet sich am besten für grundlegende technische Aufgaben, schnellere leichte Bereitstellungen und Logik-Workflows, die keine tiefen Erklärungen benötigen. | ### Google Vertex AI: Anthropic Claude | Modell | Beschreibung | | --------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Claude Opus 5 | Ein großer Sprung gegenüber Opus 4.8 zum gleichen Preis, der an die Intelligenz von Fable 5 bei halben Kosten herankommt. Es übertrifft Opus 4.8 im Frontier-Bench v0.1 mehr als doppelt (43,3 % gegenüber 21,1 %) und führt bei Wissensarbeit mit 1861 bei GDPval-AA v2. Am besten für langlaufende Agenten und komplexe professionelle Arbeit, bei der das Modell seine eigene Ausgabe überprüfen muss. | | Claude Sonnet 5 | Das bislang agentischste Sonnet und ein erhebliches Upgrade gegenüber Sonnet 4.6 in Bezug auf Schlussfolgern, Tool-Nutzung, Coding und Wissensarbeit. Es kommt Opus 4.8 zu einem niedrigeren Preis nahe, mit einstellbaren Aufwandsstufen, die Opus bei Aufgaben wie agentischer Suche und Computer-Nutzung entsprechen können. Am besten für mehrstufiges Coding und Automatisierungsarbeit, die nahezu Flaggschiff-Fähigkeiten ohne Flaggschiff-Preis benötigt. | | Claude Opus 4.8 | Ein rundum deutlicher Fortschritt gegenüber Opus 4.7 und das neue Top-Modell für agentenbasiertes Coding und Computer-Nutzung. Es führt bei SWE-Bench Pro (69,2 %) vor GPT-5.5 und Gemini 3.1 Pro und erreicht 83,4 % bei OSWorld-Verified für agentenbasierte Computer-Nutzung. Ein zentrales Highlight ist seine verbesserte Ehrlichkeit, die es zu einem zuverlässigeren Partner für komplexe, langfristige Aufgaben macht. | | Claude Opus 4.7 | Dieses Modell befindet sich derzeit in der öffentlichen Vorschau, was bedeutet, dass es in der EU für den Frühzugang verfügbar ist. Es ist ein großer Fortschritt gegenüber Opus 4.6 und für schwierige praktische Coding-Arbeiten ausgelegt. Es erreicht 64,5 % bei SWE-bench Pro (gegenüber 53,4 % bei Opus 4.6), und Nutzer berichten, dass sie ihre schwierigsten Engineering-Aufgaben mit Vertrauen übergeben können. Über das Coding hinaus ist es in allen Kennzahlen ein zuverlässiges Upgrade. | | Claude Opus 4.6 | Verbessert die Coding-Stärken früherer Modelle mit zuverlässigerer Leistung für agentenbasierte Aufgaben, Codebase-Management sowie strukturierte Code-Reviews und Debugging. Es ist auch im täglichen Arbeiten stärker und verarbeitet Analyse, Dokumentenprüfung und Multitasking konsistenter und effizienter. | | Claude Opus 4.6 (Max) | Eine Konfiguration von Claude Opus 4.7. Sie arbeitet im Modus „Max Reasoning“. Sie nutzt die volle Tiefe der Schlussfolgerung für die komplexesten Aufgaben und maximiert Genauigkeit und Zuverlässigkeit bei höherer Latenz und höheren Kosten. | | Claude Opus 4.6 (High) | Eine Konfiguration von Claude Opus 4.7. Sie arbeitet im Modus „High Reasoning“. Sie nutzt tiefere Schlussfolgerungsschritte für komplexere Aufgaben und verbessert so Genauigkeit und Struktur auf Kosten der Geschwindigkeit. | | Claude Opus 4.6 (Medium) | Eine Konfiguration von Claude Opus 4.7. Sie arbeitet im Modus „Medium Reasoning“. Sie balanciert die Tiefe des Schlussfolgerns mit der Geschwindigkeit aus und ermöglicht strukturiertere Ausgaben, ohne die Latenz deutlich zu erhöhen. | | Claude Opus 4.6 (Low) | Eine Konfiguration von Claude Opus 4.7. Sie arbeitet im Modus „Low Reasoning“. Sie minimiert erweiterte Schlussfolgerungsschritte für schnellere, effizientere Ausgaben. | | Claude Sonnet 4.6 | Verbessertes Sonnet-Modell mit stärkerem Coding, besserer Computer-Nutzung und längerem Kontextschlussfolgern. Besser geeignet für Agenten-Workflows, Aufgaben mit großen Codebasen, Dokumentenanalyse und andere mehrstufige Arbeiten. | | Claude Sonnet 4.6 (Fast) | Eine Konfiguration von Claude Sonnet 4.6. Sie arbeitet strikt im Modus „Non-Reasoning“ und umgeht lange Denkprozesse, um qualitativ hochwertige Ausgaben mit geringer Latenz zu liefern. | | Claude Opus 4.5 | Für agentenbasiertes Coding, Schlussfolgern über lange Zeiträume und komplexe, durch Tools gesteuerte Workflows entwickelt, mit hoher Korrektheit über mehrstufige Ausführung hinweg. Es glänzt bei Softwareentwicklungsaufgaben, Terminal- und Computer-Nutzung, strukturierter Tool-Orchestrierung und neuartigen Problemlösungen und erzielt starke Erfolge beim ersten Versuch mit weniger Wiederholungen. | | Claude Sonnet 4.5 | Erweitert die ausgewogene Leistung mit stärkerem Schlussfolgern, längerer Aufgabenpersistenz und zuverlässigerer Tool-Nutzung und erzielt Spitzenresultate beim Coding und bei realen Computeraufgaben. Liefert im Vergleich zu Claude 4 Sonnet höhere Genauigkeit, mehr Autonomie und flüssigere mehrstufige Workflows. | | Claude Sonnet 4.5 (Schnell) | Eine Konfiguration von Claude Sonnet 4.5. Sie arbeitet strikt im Modus „Ohne Reasoning“ und umgeht längere Denkphasen, um Ausgaben mit niedriger Latenz zu liefern. | | Claude Haiku 4.5 | Schnell, effizient und für Skalierung gebaut. Liefert Coding- und Schlussfolgerungsleistung nahezu auf Sonnet-Niveau zu etwa 3× geringeren Kosten und mit 2× höherer Geschwindigkeit. Hervorragend bei Tool-Nutzung, UI-Interaktion und paralleler Aufgabenausführung, ideal als Worker-Modell in Multi-Agent- oder Produktions-Setups. Stark in Coding-Zuverlässigkeit. Am besten für Backend-Automatisierungen, Chat-Workloads und Agentensysteme, die Geschwindigkeit und geringe Kosten benötigen. | | Claude Opus 4.1 | Schärfer, stabiler, intelligenter. Baut auf Opus 4 auf mit merklich saubereren Codekorrekturen, längeren autonomen agentenbasierten Workflows und präziserem Schlussfolgern. Bewältigt lange, mehrstufige Aufgaben mit Hybrid-Reasoning und erweitertem „Thinking“, einschließlich Code-Refactoring, tiefgehender Recherche und strategischer Synthese. | | Claude Opus 4 | Entwickelt für lange, anspruchsvolle Aufgaben, die tiefes Nachdenken und konstante Leistung erfordern. Besonders stark beim Einsatz autonomer Agenten, beim Umgang mit großen, komplexen Codebasen und bei mehrstufigen Workflows, die Stunden dauern können. Ideal für fortgeschrittene Coding-Aufgaben, detaillierte Analysen und Aufgaben, die intelligente, anhaltende Konzentration erfordern. | | Claude Sonnet 4 | Verbessert die ausgewogene Leistung durch verfeinertes Schlussfolgern, erweiterte Autonomie und präzises Befolgen von Anweisungen und liefert im Vergleich zu Claude 3.7 Sonnet verbesserte Coding-Fähigkeiten und höhere Aufgabengenauigkeit. | | Claude 3.7 Sonnet | Entwickelt für komplexe Dokumentenanalyse, Coding-Aufgaben und mehrstufiges Schlussfolgern. Gut geeignet für Problemlöse-Agenten und Analyse-Bots, die Langform-Eingaben und technische Workflows verarbeiten. Für einfache oder leichte Anfragen oft überdimensioniert. | | Claude 3.7 Sonnet (Denken) | Entwickelt für tiefes, bewusstes Schlussfolgern und kritisches Denken. Glänzt bei langsamer, mehrstufiger Analyse für strategische Aufgaben wie juristische Prüfung, Richtlinienerstellung und komplexen Kundensupport. | | Claude 3.5 Sonnet | Konzentriert auf strukturiertes Schreiben, das Befolgen von Anweisungen und geschäftstaugliche Genauigkeit. Gut geeignet für Berichtserstellung, formelle Kommunikation und intelligente Dokumenten-Workflows. Effizient für Inhalte mittlerer Länge, bei denen Klarheit und Konsistenz wichtig sind. | | Claude 3.5 Sonnet v2 | Optimiert für die Automatisierung von Geschäftsprozessen und strukturierten Workflows. Eine solide Wahl für Enterprise-Tools, DevOps-Support und Produktivitätsaufgaben, bei denen Geschwindigkeit, Klarheit und konsistente Ausgaben entscheidend sind. | | Claude 3.5 Haiku | Optimiert für schnelle Aufgaben mit hohem Volumen. Gut für kurze Antworten, Kunden-Chatbots und Echtzeit-Zusammenfassungen von Dokumenten, aber weniger geeignet für tiefes Schlussfolgern oder komplexe kreative Arbeit. | | Claude 3 Opus | Leistungsstarkes Legacy-Modell für logisch anspruchsvolle Arbeit. Ideal für Unternehmen, Forschende und alle, die mit komplexen Text- und Bilddaten arbeiten. | | Claude 3 Sonnet | Ausgewogene Version mit gutem Verhältnis zwischen Geschwindigkeit und Genauigkeit. Ausreichend für die meisten geschäftlichen Anwendungen. | | Claude 3 Haiku | Effiziente Version von Claude 3, optimiert für schnelle Verarbeitung. Beibehaltung der Kernfähigkeiten der Claude-3-Familie bei geringerer Komplexität. Ideal für Echtzeitanwendungen und schnelle Analysen. | ### Anthropic | Modell | Beschreibung | | -------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | Claude Opus 4.7 | (keine Beschreibung im JSON) | | Claude Opus 4.6 | Verbessert die Coding-Stärken früherer Modelle mit zuverlässigerer Leistung für agentenbasierte Aufgaben, Codebase-Management sowie strukturierte Code-Reviews und Debugging. Es ist auch im täglichen Arbeiten stärker und verarbeitet Analyse, Dokumentenprüfung und Multitasking konsistenter und effizienter. | | Claude Sonnet 4.6 | Verbessertes Sonnet-Modell mit stärkerem Coding, besserer Computer-Nutzung und längerem Kontextschlussfolgern. Besser geeignet für Agenten-Workflows, Aufgaben mit großen Codebasen, Dokumentenanalyse und andere mehrstufige Arbeiten. | | Claude Sonnet 4.6 (Fast) | Eine Konfiguration von Claude Sonnet 4.6. Sie arbeitet strikt im Modus „Non-Reasoning“ und umgeht lange Denkprozesse, um qualitativ hochwertige Ausgaben mit geringer Latenz zu liefern. | | Claude Opus 4.5 | Für agentenbasiertes Coding, Schlussfolgern über lange Zeiträume und komplexe, durch Tools gesteuerte Workflows entwickelt, mit hoher Korrektheit über mehrstufige Ausführung hinweg. Es glänzt bei Softwareentwicklungsaufgaben, Terminal- und Computer-Nutzung, strukturierter Tool-Orchestrierung und neuartigen Problemlösungen und erzielt starke Erfolge beim ersten Versuch mit weniger Wiederholungen. | | Claude Sonnet 4.5 | Erweitert die ausgewogene Leistung mit stärkerem Schlussfolgern, längerer Aufgabenpersistenz und zuverlässigerer Tool-Nutzung und erzielt Spitzenresultate beim Coding und bei realen Computeraufgaben. Liefert im Vergleich zu Claude 4 Sonnet höhere Genauigkeit, mehr Autonomie und flüssigere mehrstufige Workflows. | | Claude Sonnet 4.5 (Schnell) | Eine Konfiguration von Claude Sonnet 4.5. Sie arbeitet strikt im Modus „Ohne Reasoning“ und umgeht längere Denkphasen, um Ausgaben mit niedriger Latenz zu liefern. | | Claude Haiku 4.5 | Schnell, effizient und für Skalierung gebaut. Liefert Coding- und Schlussfolgerungsleistung nahezu auf Sonnet-Niveau zu etwa 3× geringeren Kosten und mit 2× höherer Geschwindigkeit. Hervorragend bei Tool-Nutzung, UI-Interaktion und paralleler Aufgabenausführung, ideal als Worker-Modell in Multi-Agent- oder Produktions-Setups. Stark in Coding-Zuverlässigkeit. Am besten für Backend-Automatisierungen, Chat-Workloads und Agentensysteme, die Geschwindigkeit und geringe Kosten benötigen. | | Claude Opus 4.1 | Schärfer, stabiler, intelligenter. Baut auf Opus 4 auf mit merklich saubereren Codekorrekturen, längeren autonomen agentenbasierten Workflows und präziserem Schlussfolgern. Bewältigt lange, mehrstufige Aufgaben mit Hybrid-Reasoning und erweitertem „Thinking“, einschließlich Code-Refactoring, tiefgehender Recherche und strategischer Synthese. | | Claude Opus 4 | Entwickelt für lange, anspruchsvolle Aufgaben, die tiefes Nachdenken und konstante Leistung erfordern. Besonders stark beim Einsatz autonomer Agenten, beim Umgang mit großen, komplexen Codebasen und bei mehrstufigen Workflows, die Stunden dauern können. Ideal für fortgeschrittene Coding-Aufgaben, detaillierte Analysen und Aufgaben, die intelligente, anhaltende Konzentration erfordern. | | Claude Sonnet 4 | Verbessert die ausgewogene Leistung durch verfeinertes Schlussfolgern, erweiterte Autonomie und präzises Befolgen von Anweisungen und liefert im Vergleich zu Claude 3.7 Sonnet verbesserte Coding-Fähigkeiten und höhere Aufgabengenauigkeit. | | Claude 3.7 Sonnet | Entwickelt für komplexe Dokumentenanalyse, Coding-Aufgaben und mehrstufiges Schlussfolgern. Gut geeignet für Problemlöse-Agenten und Analyse-Bots, die Langform-Eingaben und technische Workflows verarbeiten. Für einfache oder leichte Anfragen oft überdimensioniert. | | Claude 3.7 Sonnet (Denken-Modus) | Entwickelt für tiefes, bewusstes Schlussfolgern und kritisches Denken. Glänzt bei langsamer, mehrstufiger Analyse für strategische Aufgaben wie juristische Prüfung, Richtlinienerstellung und komplexen Kundensupport. | | Claude 3.5 Sonnet | Konzentriert auf strukturiertes Schreiben, das Befolgen von Anweisungen und geschäftstaugliche Genauigkeit. Gut geeignet für Berichtserstellung, formelle Kommunikation und intelligente Dokumenten-Workflows. Effizient für Inhalte mittlerer Länge, bei denen Klarheit und Konsistenz wichtig sind. | | Claude 3.5 Sonnet v2 | Optimiert für die Automatisierung von Geschäftsprozessen und strukturierten Workflows. Eine solide Wahl für Enterprise-Tools, DevOps-Support und Produktivitätsaufgaben, bei denen Geschwindigkeit, Klarheit und konsistente Ausgaben entscheidend sind. | | Claude 3 Opus | Leistungsstarkes Legacy-Modell für logisch anspruchsvolle Arbeit. Ideal für Unternehmen, Forschende und alle, die mit komplexen Text- und Bilddaten arbeiten. | | Claude 3 Sonnet | Ausgewogene Version mit gutem Verhältnis zwischen Geschwindigkeit und Genauigkeit. Ausreichend für die meisten geschäftlichen Anwendungen. | | Claude 3 Haiku | Effiziente Version von Claude 3, optimiert für schnelle Verarbeitung. Beibehaltung der Kernfähigkeiten der Claude-3-Familie bei geringerer Komplexität. Ideal für Echtzeitanwendungen und schnelle Analysen. | ### Mistral | Modell | Beschreibung | | ------------------ | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Mistral Small 4 | (keine Beschreibung im JSON) | | Mistral Medium 3.5 | Mistrals Open-Weight-Modell, das alte Reasoning- und Coding-Linien in einem einzigen Gewichtssatz zusammenführt. Stark bei agentenbasiertem Coding und Multi-Tool-Arbeit, mit 77,6 % bei SWE-bench Verified. | | Mistral Large 3 | Mistrals Generalistenmodell. Dies ist ein Nicht-Reasoning-Modell, das für umfangreiche, unkomplizierte Aufgaben statt für anspruchsvolles Schlussfolgern entwickelt wurde. Günstig und weit verbreitet gehostet, liegt es qualitativ jedoch deutlich unter der Reasoning-Kategorie bei Benchmarks. | | Magistral Medium | Ein Reasoning-Kraftpaket auf Enterprise-Niveau. Von Grund auf mittels Reinforcement Learning entwickelt, liefert es schnelle, nachvollziehbare, mehrsprachige Gedankengänge – also quasi „Blitzantworten“, die erklären, wie sie denken. Bewältigt komplexe Aufgaben in Mathematik, Code, Logik und regelbasierten Workflows mit Präzision und Transparenz. | | Mistral Large | Ein mehrsprachiges Kraftpaket, entwickelt für tiefes Schlussfolgern, Code, Mathematik und Agenten-Workflows. Bietet ein Kontextfenster von 32K Tokens, natives Function Calling und RAG-Unterstützung. Denkt präzise über mehrere Sprachen hinweg und liefert starke Benchmark-Ergebnisse. | | Mistral Medium | Ein Generalistenmodell der Frontier-Klasse, entwickelt für Enterprise-Anforderungen. Glänzt bei Programmierung, mathematischem Schlussfolgern, langem Dokumentenverständnis, Dialog und multimodalen Aufgaben. Bietet erweiterten Kontext (bis zu 128K Tokens), Function Calling und agentenbasierte Workflows. | | Mistral Small | Schlank, schnell und leistungsstark. Entwickelt für schnelle Aufgaben mit hohem Volumen und geringer Latenz. Bietet starkes Befolgen von Anweisungen, Gesprächsfeingefühl und in Version 3.1 robustes multimodales Verständnis. | ### Google Vertex AI: Mistral | Modell | Beschreibung | | ------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | AI21 Jamba Large | Großartig für juristische Analyse, Unternehmensrecherche und mehrsprachige Dokumentenaufgaben. Verarbeitet Langform-Inhalte mit starkem Gedächtnis, verbessertem Schlussfolgern und breiter Sprachunterstützung, was ideal für tiefgehende Analysen in globalen Teams ist. | | AI21 Jamba Mini | Kompaktes Modell für einfache Aufgaben. Sehr schnell bei begrenzter Komplexität. Gut für grundlegende Anwendungen. | | Mistral Small 3.1 | Leichtgewichtiges, Open-Source-Multimodalmodell, entwickelt für schnelle und kosteneffiziente Bereitstellung. Verarbeitet Workloads mit langem Kontext von bis zu 128K Tokens sowie Function Calling. Gut geeignet für On-Device-Anwendungsfälle, reaktionsschnelle virtuelle Assistenten, Dokumenten- und Bildverarbeitung sowie agentenbasierte Workflows. | | Mistral Medium 3 | Mistrals Generalistenmodell. Dies ist ein Nicht-Reasoning-Modell, das für umfangreiche, unkomplizierte Aufgaben statt für anspruchsvolles Schlussfolgern entwickelt wurde. Günstig und weit verbreitet gehostet. Es erreicht 19 im Artificial Analysis Intelligence Index, also etwas durchschnittlich für Nicht-Reasoning-Modelle in seiner Preisklasse. | | Mistral Codestral 2 | Spezialisiertes Codegenerierungsmodell, entwickelt für präzise Completion- und Fill-in-the-Middle-Aufgaben. Es unterstützt das Schreiben, Bearbeiten und Besprechen von Code in vielen Programmiersprachen. | | Mistral Codestral | Gut geeignet für Echtzeitentwicklung, Code-Automatisierung und Debugging-Aufgaben in verschiedenen Programmiersprachen. Verbessert im Vergleich zu früheren offenen Modellen wie Code LLaMA, StarCoder und DeepSeek-Coder die Geschwindigkeit der Codegenerierung, die Genauigkeit und die Unterstützung mehrerer Sprachen. | | Mistral Large | Effizientes Modell mit starkem Schlussfolgern. Besonders gut bei technischen und wissenschaftlichen Texten. Kosteneffiziente Alternative zu Top-Modellen. | | Mistral Nemo | Konzentriert sich auf Sprachflüssigkeit, Antwortqualität und mehrsprachige Abdeckung und bietet stärkere Leistung als Open-Source-Chat-Modelle wie LLaMA 2 Chat. Gut geeignet für Chatbots, Schreibhilfe und globalen Kundensupport. | ### Google Vertex AI: Llama | Modell | Beschreibung | | -------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Llama 4 Maverick 17B | Ausgewogene Leistung für anspruchsvolle, gemischte Workloads. Kombiniert starkes multimodales Schlussfolgern, Coding und mehrsprachige Fähigkeiten mit einem Kontext von 1 Million Tokens. Am besten für vielseitige Enterprise-Apps, fortgeschrittene Chat-Systeme und KI-Agenten, die sowohl technische als auch kreative Aufgaben bewältigen. | | Llama 4 Scout 17B | Entwickelt für Langform-Analysen, tiefes Dokumentenverständnis und multimodale Aufgaben. Unterstützt einen enormen Kontext von 10 Millionen Tokens und glänzt bei Schlussfolgern, Bildverständnis und Coding. Am besten für Workflows mit großen Dokumenten, visuelles Schlussfolgern und Teams, die hohe Fähigkeiten auf moderater Hardware benötigen. | | Llama 3.2 90B | Versteht sowohl Sprache als auch Bilder mit beeindruckender Genauigkeit. Ideal für Recherche, Enterprise-Tools und Aufgaben, die visuelles Schlussfolgern mit starken Sprachfähigkeiten kombinieren. | | Llama 3.1 405B | Größtes Llama-Modell. Stark bei allgemeiner Textverarbeitung. Gute Leistung bei technischen Aufgaben. Open-Source-Basis. | | Llama 3.1 70B | Effizientes Llama-Modell für allgemeine Anwendungen. Guter Ausgleich zwischen Größe und Leistung. | | Llama 3.1 8B | Kleinstes Llama-Modell mit reduziertem Kontextfenster. Geeignet für einfache Textverarbeitung. Sehr effizient bei begrenzten Ressourcen. | ### xAI Grok | Modell | Beschreibung | | --------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | Grok 4.5 | xAIs neuestes Flaggschiffmodell für Coding, agentenbasierte Aufgaben und Wissensarbeit. Stark in realer Engineering-Arbeit, mit 83,3 % bei Terminal-Bench 2.1 und 64,7 % bei SWE-Bench Pro, während es die Geschwindigkeit eines Schnellmodells und wettbewerbsfähige Preise bietet. Am besten für Coding-Agenten, technische Workflows, App-Entwicklung und Business-Produktivitätsaufgaben, die starkes Schlussfolgern bei geringerer Latenz und niedrigeren Kosten erfordern | | Grok 4 | Grok-Modell auf Frontier-Niveau mit nativer Tool-Nutzung, Echtzeit-Webzugriff und fortgeschrittenem Schlussfolgern. Ideal für Power-User, die Live-Daten, langes Kontextverständnis und komplexe Aufgabenausführung benötigen. Großartig für Recherche und Code bis hin zu strategischer Entscheidungsfindung. Entwickelt, um mit GPT-4o und Gemini 1.5 Pro auf höchstem Niveau zu konkurrieren. | | Grok 3 | Entwickelt für stärkeres Schlussfolgern und tiefere Gespräche über alltägliche und technische Themen hinweg. Gut geeignet für smarte Assistenten, Recherche-Tools und fortgeschrittene Chat-Erlebnisse, die mit Spitzenmodellen wie GPT-4 und Claude Opus konkurrieren wollen. | | Grok 3 Mini (Denken - Hoher Aufwand) | Ein effizienteres Grok-Modell, optimiert für durchdachtes, tieferes Schlussfolgern. Ideal für moderat komplexe Aufgaben, bei denen Sie genaue, gut überlegte Antworten ohne die vollen Kosten eines Flaggschiffmodells wünschen. Bietet eine smarte Balance zwischen Geschwindigkeit, Genauigkeit und Aufwand. | | Grok 3 Mini (Denken - Geringer Aufwand) | Ein schnelles Grok-Modell mit geringem Ressourcenbedarf, entwickelt für lockere Interaktionen und einfache Aufgaben. Ideal, wenn Geschwindigkeit wichtiger ist als Tiefe. Perfekt für alltägliche Chats, leichtgewichtige Assistenten und hohe Nutzungsvolumen, bei denen schnelle Antworten Priorität haben. | | Grok 2 Vision | Entwickelt, um sowohl Bilder als auch Text zu verstehen, wodurch es für visuelle Anfragen, Screenshots und bildbasierte Aufgaben hilfreich ist. Großartig für Nutzer, die smarte Antworten brauchen, die sich auf das stützen, was sie sehen. | ### DeepSeek | Modell | Beschreibung | | ------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | DeepSeek Chat (V3) | Warnung: In China gehostet und entwickelt. Schneller Open-Source-Assistent für den täglichen Einsatz. Gut geeignet für kundennahe Apps, Entwickler-Tools und Plug-and-Play-KI, die smarte Gespräche und grundlegende Coding-Aufgaben bewältigt. | | Reasoner (R1) | Warnung: In China gehostet und entwickelt. Open-Source-Modell für tiefes Schlussfolgern, logisches Problemlösen und strukturierte Analyse. Sehr effektiv bei mathematischen und wissenschaftlichen Aufgaben und ideal für erklärbare, anpassbare Anwendungen. | ### Nebius | Modell | Beschreibung | | ---------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | DeepSeek Chat (V3) | Chinesisches Modell: Schneller Open-Source-Assistent für den täglichen Einsatz. Gut geeignet für kundennahe Apps, Entwickler-Tools und Plug-and-Play-KI, die smarte Gespräche und grundlegende Coding-Aufgaben bewältigt. | | DeepSeek Reasoner (R1) | Chinesisches Modell: Open-Source-Modell für tiefes Schlussfolgern, logisches Problemlösen und strukturierte Analyse. Sehr effektiv bei mathematischen und wissenschaftlichen Aufgaben und ideal für erklärbare, anpassbare Anwendungen. | ### STACKIT | Modell | Beschreibung | | ------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | GPT-OSS 120B | OpenAIs größtes Open-Weight-Reasoning-Modell, entwickelt für starke agentenbasierte Arbeit. Es erreicht oder übertrifft o4-mini bei Coding, Reasoning, Tool-Aufrufen, Wettbewerbsaufgaben und Mathematik. Passt sehr gut zu Enterprise-Agenten, Coding-Workflows und spezialisierten Anwendungsfällen, die Datenkontrolle erfordern. | | GPT-OSS 20B | Ein kompaktes Open-Weight-Reasoning-Modell, entwickelt für lokale und spezialisierte Deployments mit geringer Latenz. Erreicht oder übertrifft o3-mini bei gängigen Coding-, Mathematik- und Tool-Use-Bewertungen und läuft mit nur 16 GB Speicher. Starke Wahl für private Agenten-Workflows, On-Device-Inferenz und kostensensible Deployments. | | Qwen3.6 27B | Ein Open-Weight-Multimodalmodell, das bei agentenbasiertem Coding deutlich über seiner Größe liegt. Es erreicht 77,2 % bei SWE-bench Verified, 53,5 % bei SWE-bench Pro und 59,3 % bei Terminal-Bench 2.0 und ist damit eine starke Option für Coding, Frontend-Workflows, Tool-Nutzung und visuelle Aufgaben. | | Llama 3.3 70B | Ausgewogenes Hochleistungsmodell, das robustes Schlussfolgern und zuverlässige Ausgabequalität liefert. Es performt gut bei komplexen Aufgaben wie Analyse, Langform-Inhaltserstellung und kontextbezogener Entscheidungsunterstützung. | | Gemma 3 27B | Ein leistungsfähiges Open-Weight-Multimodalmodell. Unterstützt Text- und Bildeingaben, ein Kontextfenster von 128K, über 140 Sprachen, Function Calling und strukturierte Ausgaben. Starke Wahl für Dokumentenanalyse, mehrsprachige Assistenten, visuelle Aufgaben und flexible agentenbasierte Workflows. | | Qwen3 VL 235B | Ein leistungsstarkes Open-Weight-Vision-Language-Modell für fortgeschrittene multimodale Arbeit. Sein nativer 256K-Kontext macht es gut geeignet für lange Dokumente, stundenlange Videos, komplexe visuelle Analysen und agentenbasierte Workflows. Am besten für Teams, die hochwertige multimodale Fähigkeiten benötigen und eine schwere Bereitstellung unterstützen können | ### IONOS | Modell | Beschreibung | | ----------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | GPT-OSS 120B | Dies ist ein EU-souveränes Transformer-Modell, das starke Schlussfolgerung, kontextuelles Verständnis und hochwertige generative Ausgaben liefern soll. Als 120B-Parametermodell, das vollständig auf der IONOS-Infrastruktur läuft, bietet es ein Gleichgewicht aus Leistung und Performance und erfüllt gleichzeitig strenge europäische Datenschutzanforderungen. | | Mistral Small 24B | Eine starke Mischung aus Schlussfolgerungsqualität und Leistung in einer mittelgroßen Architektur. Es verarbeitet komplexe Anweisungen, mehrstufige Aufgaben und allgemeine Konversations-Workloads mit hoher Zuverlässigkeit. | | Mistral Nemo 12B | Kompaktes und leistungsfähiges Modell, optimiert für Effizienz und hohen Durchsatz. Auf dem NeMo- und Mistral-Open-Source-Stack aufgebaut, glänzt es bei schnellen, leichten Aufgaben wie Zusammenfassung, Klassifizierung und strukturierter bzw. vorlagenbasierter Generierung. | | Teuken 7B | Ein leichtgewichtiges, mehrsprachiges Modell, optimiert für Effizienz und kostengünstige Nutzung. Es unterstützt grundlegende Gesprächsaufgaben, einfache Inhaltserstellung usw. | | Llama 3.3 70B | Ausgewogenes Hochleistungsmodell, das robustes Schlussfolgern und zuverlässige Ausgabequalität liefert. Es performt gut bei komplexen Aufgaben wie Analyse, Langform-Inhaltserstellung und kontextbezogener Entscheidungsunterstützung. | | Llama 3.1 405B | Hochkapazitätsmodell aus Metas LLaMA-3.1-Familie, entwickelt für Szenarien, die maximale Ausdrucksstärke und breite sprachliche Fähigkeiten erfordern. Seine große Parameterzahl verleiht ihm starke Generalisierung, nuancierte Generierung und breite Sprachabdeckung. | | Llama 3.1 8B | Bietet schnelle, effiziente Inferenz für alltägliche operative Aufgaben. Es verarbeitet unkomplizierte Anweisungen, Kurzform-Inhalte und Utility-Workflows mit hoher Reaktionsfähigkeit. Der geringe Ressourcenbedarf des Modells macht es ideal für kostoptimierte Deployments. | ### Pharia / Aleph Alpha | Modell | Beschreibung | | -------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | GPT-OSS 120B | Bereitgestellt über Aleph Alpha. Dies ist ein Open-Weight-Reasoning-Modell von OpenAI, das bei zentralen Reasoning-Benchmarks nahezu auf Augenhöhe mit OpenAI o4-mini abschneidet. Gut geeignet für produktionsreife Aufgaben, bei denen Transparenz und souveränes Hosting wichtig sind. | | Kimi K2.5 | Bereitgestellt über Aleph Alpha. Dies ist ein natives Open-Source-Multimodalmodell von Moonshot AI, das sich bei Coding, visuellem Schlussfolgern und mehrstufigen agentenbasierten Workflows auszeichnet. Es ist ideal für autonome Recherche- und Dokumenten-Workflows. | | Aleph Alpha Vorschau | Souveränes europäisches Modell, das vollständig auf EU-Infrastruktur trainiert und bereitgestellt wird und sich derzeit in der öffentlichen Vorschau befindet. Es zielt auf deutschsprachige und regulierte Workloads ab, bei denen Datenresidenz die Entscheidung bestimmt (mit einem Kontextfenster von 33K). Am besten für deutschsprachige Aufgaben unter strengen Anforderungen an die Datensouveränität. | --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.blockbrain.ai/de/for-users/all-about-llms/overview-of-llms.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.