Reasoning-Modell

Ein normales Modell schreibt seine Antwort Token für Token, ohne Raum zum Planen. Ein Reasoning-Modell ist, meist mit bestärkendem Lernen, darauf trainiert, zuerst zusätzliche Tokens ins Nachdenken zu stecken: die Frage in Teile zerlegen, einen Ansatz probieren, ein Ergebnis prüfen und zurückgehen, wenn es nicht hält. Erst danach schreibt es die Antwort, die du liest. Manche Systeme zeigen eine Zusammenfassung des Denkens, andere verbergen es, und manche liefern es in einem eigenen Feld. Den verborgenen Teil triffst du unter Namen wie Chain of Thought, Notizblock, Denk-Tokens oder Rechenaufwand zur Laufzeit.

Der Nutzen ist am größten, wo ein früher Ausrutscher alles verdirbt: ein Beweis im Stil einer Olympiade, ein Wettlaufproblem in nebenläufigem Code, eine Datenmigration, ein Steuerfall mit Ausnahmen oder ein Planungsrätsel. Auch die Kosten sind real. Die Denk-Tokens brauchen Zeit vor dem ersten sichtbaren Wort und zählen zur Nutzung, eine Reasoning-Antwort kann also langsamer und teurer sein als eine einfache. Für eine Begrüßung, eine kurze Umformulierung oder eine einfache Abfrage bringt der Mehraufwand nichts.

Modelle handhaben das unterschiedlich. Manche denken immer und bieten keinen Schalter. Manche lassen dich das Nachdenken ein- oder ausschalten oder den Aufwand wählen; Anbieter nennen diesen Regler Aufwandsstufe, Denkbudget, erweitertes Denken oder bedächtigen Modus. Auch ein denkendes Modell kann falsch liegen: Die Prüfung der eigenen Schritte senkt das Risiko mancher Fehler, macht es aber nicht zur Quelle geprüfter Fakten. Das Training belohnt typischerweise richtige Endergebnisse bei überprüfbaren Aufgaben, etwa bestandene Unit-Tests oder eine passende Zahl, was das Netz zu Strategien wie Zerlegen, Gegenprüfen und Alternativen-Erkunden bewegt, bevor es sich festlegt.

DeepSeek V4 Pro, ein privates Modell in den Bezahltarifen von NeverNo, denkt bei jeder Nachricht nach, mit einem Kontextfenster von 200.000 Tokens; es gibt keine Einstellung, das Nachdenken auszuschalten. Andere lassen dich wählen: Qwen 3.5 35B bietet es als Option, Claude Sonnet 5.5 steht standardmäßig auf „Adaptiv“ und hat eine Stufe „Hoch“, und Kimi K3 denkt immer von selbst. In der API schaltet reasoning_effort das Nachdenken bei den Modellen ein, die es unterstützen, und das Denken kommt in reasoning_content zurück.

Die Seite zum Faktencheck von KI-Antworten beschreibt eine verwandte Idee: Ein zweites Modell aus einer anderen Familie prüft eine Antwort, zitiert das Falsche und schlägt eine Korrektur vor. Ein Reasoning-Modell für den ersten Entwurf und ein anderes Modell für die Prüfung ist eine naheliegende Paarung.