Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Steuerung des Nachdenkvermögens: Vom ChatGPT bis zur API

Lektion 8 von 12 Aktualisiert am 5. November 2026 Mittelstufe
Auf dieser Seite
  1. Nachdenkvermögen für jede Aufgabe justieren
  2. Im ChatGPT: Eine Einstellung pro Nachricht
  3. In der API: Fünf Hebel
  4. Die Auswirkungen auf die Kosten
  5. Drei Optimierungsstrategien
  6. Ihre Aufgabe
  7. Kernaussagen

Nachdenkvermögen für jede Aufgabe justieren

Die Lektionen 1 bis 3 haben Ihnen die Landkarte der Einstellungen und der Richtlinien von OpenAI geliefert. Diese Lektion bewegt sich zu den Steuerelementen: Wie Sie das Nachdenkvermögen während der Arbeit anpassen, seine Kosten verwalten und es in einer Anwendung automatisieren können. Das Prinzip bleibt unverändert: Das Nachdenkvermögen ist ein Kompromiss, kein Qualitätsschieber. Es beeinflusst gleichzeitig vier Variablen: die Anzahl der Nachdenk-Token, die Antwortzeit, die Tiefe der Analyse und den Quota-Verbrauch oder die Kosten.

Im ChatGPT: Eine Einstellung pro Nachricht

Im Chat stellt der Thinking-Schieberegler für GPT-6 pro Nachricht ein: Sie können bei „Instant” bleiben, um zu paraphrasieren, auf „High” wechseln, um zu analysieren, und dann wieder herunterdrehen. Höhere Stufen greifen auf Quotas zu, die Ihrem Plan spezifisch sind; wenn Sie ein Limit erreichen, kann ChatGPT mit einem anderen verfügbaren Modell fortfahren und zeigt, wann der Quota-Reset möglich ist. In Work und Codex spielt der Leistungsschieberegler dieselbe Rolle, reicht von „Faster” bis „Smarter”, wobei „Max” und „Ultra” als Reserve gehalten werden. Best Practice in beiden Fällen: Beginnen Sie mit der Standardeinstellung und erhöhen Sie diese nur, wenn das Ergebnis nicht ausreicht.

In der API: Fünf Hebel

Für Entwickler bieten fünf Parameter in der Responses API Ihnen die Kontrolle über das Nachdenkvermögen:

  • reasoning.effort setzt das Niveau, von none bis max je nach Modell: GPT-6 Astra und GPT-6.1 Sol beginnen bei low, während GPT-6.1 Terra und GPT-6 Luna none akzeptieren.
  • reasoning.mode, standardmäßig standard oder pro, lässt das Modell härter arbeiten, ohne das Nachdenkvermögen zu ändern; diese zusätzliche Arbeit wird zum Standardtarif des Modells berechnet, verbraucht aber mehr Token.
  • max_output_tokens begrenzt die Gesamtzahl der generierten Token, einschließlich der Nachdenk-Token. Setzen Sie sie zu niedrig, erhalten Sie unvollständige Antworten; OpenAI empfiehlt, beim ersten Experimentieren mindestens 25.000 Token vorzusehen.
  • reasoning.summary fordert eine Zusammenfassung des Nachdenkprozesses an, da rohes Nachdenken niemals offengelegt wird.
  • configuration_update, ein Element, das zwischen zwei Antworten eingefügt wird, ändert das Nachdenkvermögen mitten in einem Gespräch bei kompatiblen GPT-6-Modellen, ohne die Einstellungen der ursprünglichen Anfrage zu berühren: Der Prompt-Vorfix bleibt intakt, und der Prompt-Cache wird weiterhin bedient.
Sechs Hebel für das Nachdenkvermögen Sechs Kacheln: reasoning.effort setzt das Niveau, von none bis max je nach Modell; reasoning.mode wählt standard oder pro; max_output_tokens begrenzt Token, einschließlich Nachdenken; reasoning.summary fordert eine Zusammenfassung; configuration_update ändert die Anstrengung, ohne den Cache zu brechen; im Chat, eine Ebene pro Nachricht, innerhalb der Quotas. STEUERUNG DER ANSTRENGUNG Sechs Hebel für das Nachdenkvermögen 1 reasoning.effort Das Niveau, von none bis max je nach Modell. 2 reasoning.mode standard oder pro, unabhängig von der Anstrengung. 3 max_output_tokens Die Begrenzung, einschließlich Nachdenkens. 4 reasoning.summary Eine Zusammenfassung, niemals das rohe Nachdenken. 5 configuration_update Ändern Sie die Anstrengung, ohne den Cache zu brechen. 6 Im Chat Eine Ebene pro Nachricht, innerhalb der Quotas. Eskalation: Starten Sie mit dem Standardniveau, erhöhen Sie nur, wenn das Ergebnis nicht ausreicht.
Basierend auf dem OpenAI API Reasoning models Guide und dem OpenAI Help Center (November 2026).

So sieht dieses letzte Element aus, eingefügt vor die nächste Nachricht des Benutzers:

{
  "type": "configuration_update",
  "reasoning": { "effort": "high" }
}

Ein Gespräch, das bei low gestartet wurde, wechselt somit für die nächste Antwort und die folgenden auf high, bis ein weiterer Update erfolgt.

Die Auswirkungen auf die Kosten

Nachdenk-Token werden als Ausgabetoken berechnet, und ihre Anzahl wächst schnell mit dem Niveau: von wenigen hundert bis zu zehntausenden für ein schwieriges Problem. Die Modellwahl ist ebenso wichtig: Pro Ausgabetoken kostet GPT-6 Luna zwanzigmal weniger als GPT-6.1 Sol, und GPT-6 Astra kostet fünfmal mehr. Im ChatGPT übersetzt sich dies in Quotas: die Anzahl der anspruchsvollen Anfragen pro Zeitraum.

Drei Optimierungsstrategien

Die erste ist Eskalation: Beginnen Sie nicht ganz oben. Starten Sie mit dem Standardniveau, medium in der API, oder niedriger für eine triviale Aufgabe; wenn die Antwort unvollständig oder falsch ist, steigen Sie eine Stufe; reservieren Sie xhigh, max, Pro-Modus, Max und Ultra für Probleme, die diese rechtfertigen. In einer Anwendung macht configuration_update diese Eskalation innerhalb eines einzelnen Gesprächs möglich.

Die zweite ist aufgabenbasierte Triage, die Sie zur Gewohnheit machen sollten: Paraphrasieren und Klassifizieren auf dem niedrigsten Niveau, Entwurf und einfache Analysen bei low, Planung und Urteilsvermögen bei medium, Debuggen und schwierige Probleme bei high, langfristige Forschung bei xhigh und extreme Fälle bei max.

Die dritte besteht darin, das richtige Modell mit dem richtigen Niveau zu paaren. GPT-6.1 Sol bei high oder höher, möglicherweise im Pro-Modus, bewältigt anspruchsvolle Probleme; GPT-6 Astra bleibt für die schwierigsten Fälle; GPT-6.1 Terra übernimmt Schreiben, Bilder und Anwendungsorchestrierung; GPT-6 Luna, bei low oder medium, absorbiert Volumen zu niedrigeren Kosten.

Ihre Aufgabe

Finden Sie den Punkt des abnehmenden Ertrags. Stellen Sie die folgende Frage dreimal auf drei Ebenen (Instant, Medium, dann High im Chat oder low, medium, dann high in der API) und vergleichen Sie die Tiefe der Analyse und, in der API, die verbrauchten Nachdenk-Token.

“Ein Unternehmen hat 5 Projekte. Projekt A: 100.000 €, ROI 3,2x, mittleres Risiko. Projekt B: 250.000 €, ROI 1,8x, geringes Risiko. Projekt C: 50.000 €, ROI 5,1x, hohes Risiko. Projekt D: 150.000 €, ROI 2,4x, mittleres Risiko. Projekt E: 75.000 €, ROI 4,0x, hohes Risiko. Das Gesamtbudget beträgt 400.000 €. Welche Projekte sollten finanziert werden, um den risikoadjustierten ROI zu maximieren? Nennen Sie die verwendete Anpassungsregel explizit.”

Identifizieren Sie das Niveau, bei dem ein weiterer Anstieg wenig Mehrwert hinzufügt: Das ist Ihre Einstellung für diese Art von Frage.

Offizielle Quellen: Reasoning models (OpenAI API: Anstrengung, Pro-Modus, max_output_tokens, Zusammenfassungen, configuration_update, Abrechnung) · Models (akzeptierte Anstrengungen und Preise pro Modell) · GPT-6 und andere Modelle in ChatGPT (Ebenen, Quotas und Fallback im Chat)

Kernaussagen

  • Anstrengung variiert Token, Latenz, Tiefe und Kosten gemeinsam: Es ist ein Kompromiss
  • Im ChatGPT wird das Niveau pro Nachricht angepasst, innerhalb der Plan-Quotas
  • In der API: reasoning.effort, reasoning.mode, max_output_tokens, reasoning.summary und configuration_update
  • Eskalation, Aufgaben-Triage und die richtige Modell-Ebenen-Paarung sind die drei Hebel für Einsparungen
  • Das Ändern der Anstrengung mitten im Gespräch mit configuration_update erhält den Prompt-Cache