Reasoning-Modelle sind KI-Modelle, die vor der eigentlichen Antwort einen eigenen Denkschritt ausführen. Sie erzeugen dabei Text, den der Nutzer meist nicht zu sehen bekommt, arbeiten darin das Problem durch und antworten erst danach.
- Reasoning-Modelle
KI-Modelle, die vor der Antwort einen eigenen Denkschritt ausführen, der Token kostet und die Güte hebt.
Beispiel: „Bei der Aufgabe mit den drei Bedingungen braucht das Reasoning-Modell zwanzig Sekunden und löst sie.“Woran man sie erkennt: an der Wartezeit und an der Abrechnung. Die Denkschritte zählen als Ausgabetoken, auch wenn sie nicht angezeigt werden. Manche Oberflächen blenden eine Zusammenfassung des Denkens ein.
Abgrenzung zur eigenen Aufforderung: Dem Modell im Prompt zu sagen, es solle Schritt für Schritt vorgehen, hilft auch bei gewöhnlichen Modellen. Reasoning-Modelle haben das Verfahren eingebaut und darauf trainiert.
Wofür sich der Aufwand lohnt
Für Aufgaben mit mehreren Bedingungen, die zusammenpassen müssen: Rechnungen prüfen, Vertragsklauseln gegeneinanderhalten, Code finden, der unter einer bestimmten Bedingung fehlschlägt, aus verstreuten Angaben einen Plan bauen. Dort schlagen sie gewöhnliche Modelle deutlich.
Wofür sie sich nicht lohnen
Für alles, was in einem Zug zu beantworten ist. Eine Zusammenfassung, eine Übersetzung, eine Umformulierung: Hier erzeugt der Denkschritt Wartezeit und Kosten, ohne die Antwort zu verbessern. Mancher Anbieter lässt deshalb die Tiefe des Nachdenkens einstellen, siehe Reasoning Effort.
Was sie nicht leisten
Sie prüfen nicht nach. Ein Denkschritt ist selbst erzeugter Text und damit denselben Irrtümern ausgesetzt wie die Antwort. Ein Modell kann sich auch ausführlich in die falsche Richtung denken, und die ausführliche Begründung macht das Ergebnis dann überzeugender, ohne es richtiger zu machen.
Dass sich die Tiefe des Nachdenkens einstellen lässt, beschreibt die Dokumentation von Anthropic zum Effort. Entscheidend ist dort die Einordnung, dass der Schalter ein Verhaltenssignal sei und kein striktes Budget: Auch auf der niedrigsten Stufe denkt ein Modell bei schweren Aufgaben nach, nur kürzer.
Im Alltag erkennt man den Unterschied an der Art der Fehler. Ein gewöhnliches Modell übersieht eine Bedingung und antwortet trotzdem flüssig; ein Reasoning-Modell merkt beim Durchgehen, dass etwas nicht zusammenpasst, und sagt es.