Reasoning im Jahr 2026: Von ‚none' bis ‚max' sowie Pro- und Ultra-Modus
Auf dieser Seite
Stand: 5. November 2026. Die GPT-6-Familie behält diese Stufen bei, jedoch wird
nonenur von GPT-6.1 Terra, GPT-6 Sol und GPT-6 Luna akzeptiert. GPT-6 Astra und GPT-6.1 Sol starten beilow; das Senden einer Anfrage mitnonean Astra führt zu einem HTTP-400-Fehler. Seit dem 3. September können Sie die Aufwandstufe auch mitten im Gespräch ändern, ohne den Cache zu verlieren, indem Sie einconfiguration_update-Element verwenden (Lektion 9).
Die konfigurierbare Reasoning-Intensität begann nicht erst mit GPT-5.6. Seit dem Start von GPT-5 im Jahr 2025 haben OpenAI-Modelle basierend auf einem Parameter mehr oder weniger stark reasoning betrieben und damit die alte o-Serie ersetzt. Was sich zwischen den Versionen ändert, sind die akzeptierten Werte und die Standardeinstellung. GPT-5.6 führte die Stufe max und den Modus pro in die API ein, während ChatGPT die Einstellung „ultra” erhielt. Diese Details sind entscheidend: Eine geänderte Voreinstellung kann die Latenz Ihrer Anwendung und Ihre Abrechnung verändern, ohne dass auch nur eine einzige Zeile Code angepasst wurde.
Die sechs Stufen von GPT-5.6
Bei den drei GPT-5.6-Modellen akzeptiert der Parameter reasoning.effort sechs Stufen. Der Leitfaden von OpenAI beschreibt die Anwendungsfälle wie folgt:
| Stufe | Anwendungsfall |
|---|---|
none | Aufgaben, bei denen Latenz kritisch ist und Reasoning keinen Mehrwert bietet: Sprache, schnelle Informationsabfrage, Klassifizierung |
low | Effizientes Reasoning für leicht erhöhte Latenz: Datenanalyse, Entwurf von Texten, ausführbarer Code, Kundensupport |
medium | Qualität und Zuverlässigkeit, Planung und Urteilsvermögen; der Standard für die meisten Anwendungsfälle |
high | Schwieriges Reasoning, komplexes Debugging, tiefgehende Planung, agentenbasierte Arbeit |
xhigh | Tiefgehende Recherche und lange agentenbasierte Aufgaben, nur wenn Ihre Evaluierungen einen Nettogewinn zeigen |
max | Maximales Reasoning für die komplexesten Aufgaben; Vergleich mit xhigh empfohlen |
Sie legen die Stufe direkt im API-Aufruf fest. Hier bitten wir Terra, eine Funktion mit nachhaltigem Aufwand zu debuggen, da ein subtiler Logikfehler mehr verdient als nur einen flüchtigen Blick:
response = client.responses.create(
model="gpt-5.6-terra",
input="Find the logic error in this function and fix it.",
reasoning={"effort": "high"},
)
Wenn dieselbe Anwendung anschließend eine Commit-Nachricht umformuliert, steht nichts im Wege, für die nächste Anfrage wieder auf low zu wechseln. Ein Router könnte auch einen ersten Durchlauf mit medium versuchen, eine unsichere Antwort erkennen und dieselbe Anfrage mit demselben Prompt beim selben Modell mit high wiederholen.
Akzeptierte Werte variieren je nach Modell
Die Modell-Faktenblätter, Stand 5. November 2026, zeigen, wie sich dieser Parameter entwickelt hat:
| Modell | Akzeptierte Werte | Standard |
|---|---|---|
gpt-5 | minimal, low, medium, high | nicht spezifiziert |
gpt-5.1 | none, low, medium, high | none |
gpt-5.4 | none bis xhigh | none |
gpt-5.5 | none bis xhigh | medium |
| GPT-5.6 Sol, Terra und Luna | none bis max | medium |
gpt-6-astra | low bis max | nicht spezifiziert |
gpt-6.1-sol | low bis max | medium |
gpt-6.1-terra, gpt-6-sol, gpt-6-luna | none bis max | medium |
Zwei Fallstricke stechen in dieser Tabelle hervor. Der erste betrifft den Standardwert: gpt-5.1 und gpt-5.4 führten kein Reasoning durch, wenn Sie nichts angaben, wohingegen gpt-5.5, GPT-5.6 und die aufgeführten GPT-6-Modelle bei medium starten. Eine Anwendung, die von gpt-5.4 auf GPT-5.6 migriert, ohne den Aufwand explizit zu setzen, beginnt plötzlich mit Reasoning, was zu höherer Latenz und mehr abgerechneten Tokens führt. Der Migrationsleitfaden für GPT-6 fasst dies in einer Regel zusammen: Bewahren Sie Ihren effektiven Aufwand bei, wenn das neue Modell ihn unterstützt, und schreiben Sie ihn explizit hin. Der zweite Fallstrick betrifft fehlende Werte: minimal existiert weder bei GPT-5.6 noch bei GPT-6 (starten Sie stattdessen mit low), und none wird von GPT-6 Astra und GPT-6.1 Sol abgelehnt.
Pro-Modus: Mehr Arbeit, gleicher Preis pro Token
GPT-5.6 führte eine zweite, unabhängige Einstellung ein: reasoning.mode, das standardmäßig standard ist oder auf pro gesetzt werden kann. Im Pro-Modus leistet das Modell mehr Arbeit, bevor es antwortet; dies eignet sich für schwierige Aufgaben, die höhere Latenz tolerieren. Tokens werden zum Standardtarif des Modells abgerechnet, aber da mehr Tokens verbraucht werden, steigen die Gesamtkosten. Dieser Modus ersetzt die alten „Pro”-Modelle: Die Seite zu den Abschaltungen empfiehlt gpt-5.6-sol im Pro-Modus anstelle von o3-pro und gpt-5-pro.
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "medium", "mode": "pro"},
input="Review this disaster recovery plan and flag any single points of failure.",
)
Max und Ultra: Noch einen Schritt weiter
Die Stufe max gibt dem Modell noch mehr Zeit als xhigh, um zu reasoning, alternative Pfade zu erkunden, zu verifizieren und seinen Ansatz zu überarbeiten. Sie existiert sowohl in der API als auch in ChatGPT Work und Codex, wo Sie sie in den Einstellungen aktivieren.
Ultra hingegen ändert den Ausführungsmodus vollständig. Laut der Ankündigung vom 9. Juli koordiniert es standardmäßig vier Agenten parallel über simultane Arbeitsströme hinweg. OpenAI demonstrierte zudem Konfigurationen mit sechzehn Agenten für spezifische Evaluierungen (BrowseComp, SEC-Bench Pro). Der Kompromiss ist klar: höherer Token-Verbrauch im Austausch für bessere Ergebnisse und reduzierte Bearbeitungszeit bei schweren Aufgaben. Ultra ist nur in Produkten verfügbar: ChatGPT Work für Pro- und Enterprise-Pläne sowie Codex ab Plus zum Start. Es gibt keinen Wert ultra in der API; Sie erzielen einen vergleichbaren Effekt mit der Multi-Agenten-Funktion der Responses-API (in Beta), die es dem Modell ermöglicht, Sub-Agenten parallel innerhalb einer einzigen Anfrage zu starten. Reservieren Sie dies für Arbeit, die sich in unabhängige Teilstücke zerlegen lässt.
Eine Methode zur Festlegung des Aufwands
Legen Sie diese Stufen nicht nach Bauchgefühl fest. Nehmen Sie eine repräsentative Stichprobe Ihrer realen Anfragen, führen Sie sie zunächst mit medium und dann mit high aus, vergleichen Sie Qualität, Latenz und Kosten, und lassen Sie die Zahlen den Standardwert für jeden Aufgabentyp bestimmen. Dies ist derselbe Ansatz, den Sie bei Benchmarks von Anbietern wählen sollten: Ihre Daten entscheiden, nicht allgemeine Eindrücke.
Sie sind dran
Finden Sie die richtige Stufe für eine Aufgabe. Wählen Sie zehn repräsentative Anfragen für eine einzige Aufgabe. Führen Sie sie mit low, medium und high aus und notieren Sie die Qualität (anhand Ihrer eigenen Bewertungskriterien), die Latenz und die Anzahl der Reasoning-Tokens, die in usage angezeigt werden. Behalten Sie die niedrigste Stufe bei, die Sie bei neun von zehn Anfragen zufriedenstellt, und schreiben Sie sie explizit in Ihren Code. Ohne API-Zugang führen Sie dieselbe Übung in ChatGPT durch, indem Sie den Reasoning-Selektor im Chat-Modus verwenden.
Offizielle Quellen: Reasoning-Modelle · Verwendung von GPT-6 · Multi-Agent · Abschaltungen (OpenAI-API-Dokumentation) · GPT-5.6-Ankündigung (OpenAI, 9. Juli 2026)
Kernaussagen
- Konfigurierbarer Aufwand geht auf GPT-5 zurück; GPT-5.6 fügte die Stufe
maxund den Modusprohinzu - Akzeptierte Werte und Standards variieren je nach Modell: Geben Sie den Aufwand stets explizit an
- Der Pro-Modus lässt das Modell härter arbeiten zum Standardpreis pro Token; er ersetzt
o3-proundgpt-5-pro - Ultra, standardmäßig mit vier parallelen Agenten, ist ChatGPT Work und Codex vorbehalten; die API nutzt die Multi-Agenten-Beta
- Legen Sie den Aufwand basierend auf Ihren Evaluierungen fest, nicht nach Intuition