Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Verschlüsselte Schlussfolgerungen

Lektion 8 von 16 Aktualisiert am 28. Juli 2026 Entwickler
Auf dieser Seite
  1. Interne Schlussfolgerungen in Grok-Modellen
  2. Warum werden Schlussfolgerungen verschlüsselt?
  3. Abrufen von verschlüsselten Schlussfolgerungen
  4. Wiederverwendung von Schlussfolgerungen in einer Konversation
  5. Verschlüsselte Schlussfolgerungen versus klassisches Kettenmanagement
  6. Wann verschlüsselte Schlussfolgerungen verwenden?
  7. Auswirkungen auf die Abrechnung
  8. Kernaussagen

Interne Schlussfolgerungen in Grok-Modellen

Neuere Schlussfolgerungsmodelle (wie grok-4.20-0309-reasoning) führen interne Schlussfolgerungen durch, bevor sie eine Antwort generieren. Dieser Denkprozess ist normalerweise unsichtbar, kann jedoch in verschlüsselter Form mit dem Parameter include abgerufen werden. Sie können ihn anschließend in nachfolgende Anfragen erneut einfügen, um die Kontinuität der Schlussfolgerung zu wahren.

Warum werden Schlussfolgerungen verschlüsselt?

Interne Schlussfolgerungen enthalten den rohen Denkprozess des Modells – Zwischenschritte, getestete Hypothesen und aufgegebenen Pfade. xAI verschlüsselt diesen Inhalt aus zwei Gründen:

  • Geistiges Eigentum: Schlussfolgerungen offenbaren die internen Abläufe des Modells
  • Kontinuität: Verschlüsselter Inhalt kann vom Modell wiederverwendet werden, um seinen Denkprozess fortzusetzen

Sie können den verschlüsselten Inhalt nicht lesen, das Modell kann ihn jedoch entschlüsseln und verwenden.

Abrufen von verschlüsselten Schlussfolgerungen

Fügen Sie include=["reasoning.encrypted_content"] zu Ihrer Anfrage hinzu:

response = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Lösen Sie dieses Problem: Wenn ein Zug um 14:00 Uhr von Paris mit 200 km/h abfährt "
          "und ein anderer um 15:00 Uhr von Lyon mit 300 km/h, wann treffen sie sich?",
    include=["reasoning.encrypted_content"]
)

Die Antwort enthält ein zusätzliches Feld mit den verschlüsselten Schlussfolgerungen:

{
  "output": [
    {
      "type": "reasoning",
      "encrypted_content": "eyJhbGciOiJSU0EtT0FFUCIsImVuYyI6..."
    },
    {
      "type": "message",
      "content": [{"type": "output_text", "text": "Die beiden Züge treffen sich um..."}]
    }
  ]
}

Wiederverwendung von Schlussfolgerungen in einer Konversation

Der Hauptvorteil verschlüsselter Schlussfolgerungen besteht darin, sie in nachfolgende Anfragen erneut einzufügen. Dies ermöglicht es dem Modell, genau dort fortzufahren, wo es im Denkprozess stehen geblieben ist:

# Anfrage 1: initiales Problem
response1 = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Beweisen Sie, dass die Quadratwurzel aus 2 irrational ist.",
    include=["reasoning.encrypted_content"]
)

# Verschlüsselte Schlussfolgerung extrahieren
encrypted = None
for item in response1.output:
    if item.type == "reasoning":
        encrypted = item.encrypted_content
        break

# Anfrage 2: Vertiefung unter Beibehaltung der Schlussfolgerung
response2 = client.responses.create(
    model="grok-4.20-0309-reasoning",
    input="Können Sie diesen Beweis auf Wurzeln aus Primzahlen verallgemeinern?",
    previous_response_id=response1.id,
    include=["reasoning.encrypted_content"]
)

Verschlüsselte Schlussfolgerungen versus klassisches Kettenmanagement

AnsatzTextlicher KontextKontinuität der Schlussfolgerung
previous_response_id alleinJaNein – das Modell startet seine Schlussfolgerung neu
previous_response_id + verschlüsselte SchlussfolgerungJaJa – das Modell setzt seine Gedankenkette fort

Der Unterschied ist subtil, aber für komplexe Schlussfolgerungsaufgaben wichtig. Mit verschlüsseltem Inhalt liest das Modell den Kontext nicht nur erneut; es setzt seinen internen Denkprozess fort.

Wann verschlüsselte Schlussfolgerungen verwenden?

Empfohlen

Der gemeinsame Nenner in diesen Anwendungsfällen ist immer derselbe: Eine Konversation, bei der die Anfrage N+1 auf der Schlussfolgerung aus Anfrage N aufbauen muss. Ein mathematisches Problem, das in mehreren Schritten gelöst wird, verliert an Kohärenz, wenn das Modell seinen Weg zwischen zwei Nachrichten vergisst; eine logische Analyse, die durch sukzessive Vertiefungen durchgeführt wird, benötigt ihre Zwischenhypothesen; iteratives Debuggen – „Was wäre, wenn wir dies testen?” – macht nur Sinn, wenn das Modell sich erinnert, was es bereits ausgeschlossen hat. Allgemein gilt: Sobald Sie feststellen, dass die Qualität der Schlussfolgerung von einer Anfrage zur nächsten in Ihren Konversationen nachlässt, ist dies das Signal, dass der Kontext der Schlussfolgerung verloren gegangen ist: Die Wiedereinfügung verschlüsselter Schlussfolgerungen ist genau das Gegenmittel.

Nicht notwendig

  • Einfache Konversationen (faktische Fragen und Antworten)
  • Generierung von kreativem Inhalt
  • Aufgaben, die keine strukturierte Schlussfolgerung erfordern

Auswirkungen auf die Abrechnung

Verschlüsselte Schlussfolgerungstoken werden in output_tokens_details.reasoning_tokens gezählt. Sie werden zum gleichen Tarif wie Standard-Ausgabetoken berechnet. Das Volumen der Schlussfolgerungen kann erheblich sein – manchmal 2 bis 5 Mal mehr als die sichtbare Antwort.

Kernaussagen

  • Verschlüsselte Schlussfolgerungen werden mit include=["reasoning.encrypted_content"] abgerufen
  • Der Inhalt ist verschlüsselt – Sie können ihn nicht lesen, aber das Modell kann ihn wiederverwenden
  • In Kombination mit previous_response_id wird die Kontinuität der Gedankenkette aufrechterhalten
  • Nützlich für komplexe mehrstufige Schlussfolgerungsaufgaben
  • Schlussfolgerungstoken werden berechnet, auch wenn sie in der Antwort unsichtbar sind