Modelle
Die in meinGPT verfügbaren Sprachmodelle, deren Stärken und Empfehlungen für den Einsatz
meinGPT bündelt führende Sprachmodelle (LLMs) verschiedener Anbieter unter einer Oberfläche. Du wählst pro Chat das passende Modell — abhängig von Aufgabe, gewünschter Geschwindigkeit und Datenschutz-Anforderung.
Anzeige in der Modellauswahl
In der Modellauswahl helfen Dir mehrere Indikatoren bei der Entscheidung:
- EU-Flagge — Modell wird in der EU gehostet und ist ohne weitere Maßnahmen DSGVO-konform.
- US-Flagge / Globus — Modell wird außerhalb der EU betrieben.
- Qualitäts- und Geschwindigkeitsindikator — beim Hover sichtbar, jeweils 1–5.
- Reasoning-Tag — kennzeichnet Modelle mit explizitem Denkprozess vor der Antwort.
- Vorschau-Tag — Modell ist noch in der Preview-Phase (Funktion und Verhalten können sich ändern).
- Kostenlos-Indikator — Modell wird nicht abgerechnet und ist immer verfügbar (derzeit GPT-5 Nano).
- Bestes Modell — heuristische Auto-Auswahl, verwendet standardmäßig nur EU-Modelle.
Hinweis
Datenschutz: EU-gehostete Modelle verarbeiten Daten zu 100 % innerhalb der EU. Für Assistenten musst Du die Modellwahl explizit setzen — es wird nicht automatisch ein EU-Modell gewählt.
Empfehlungen für den Standard-Einsatz
| Einsatzzweck | Empfehlung |
|---|---|
| Standard-Chat (Default) | GPT-5.1, GPT-5.5, Claude Sonnet 4.6 |
| Tiefes Reasoning, Strategie, Audits | GPT-5 Thinking, o3, Gemini 2.5 Pro |
| Coding und Refactorings | Claude Sonnet 4.6, Claude Opus 4.8, GPT-5.4 |
| Sehr lange Dokumente / 1M-Kontext | GPT-5.4, GPT-5.5, Claude Opus 4.8, Gemini 2.5 Pro |
| Massendaten, hoher Durchsatz, niedrige Kosten | GPT-5 mini, GPT-5 Nano (kostenlos), Gemini 2.5 Flash |
| Webrecherche mit Quellenangaben | Web Search (Linkup) |
| Standard für Assistenten mit Tool-Calls | o3, GPT-5 Thinking |
Tipp
Beginne im Zweifel mit einem normalen (Non-Reasoning-)Modell. Wechsle erst dann zu einem Reasoning-Modell, wenn die Antworten nicht ausreichen — Reasoning verbraucht spürbar mehr Credits.
Reasoning-Modelle vs. Standard-LLMs
Reasoning-Modelle führen vor der eigentlichen Antwort einen sichtbaren Denkprozess aus und liefern dadurch bei mehrstufigen oder logiklastigen Aufgaben deutlich bessere Ergebnisse — auf Kosten von Geschwindigkeit und Kosten.
| Aufgabentyp | Standard-LLM | Reasoning-Modell |
|---|---|---|
| Einfache Texte, E-Mails, Zusammenfassungen | Ja | Nein (zu teuer) |
| Kreatives Schreiben | Ja | Nein |
| Komplexe Logik, Mathematik, formale Analyse | Nein | Ja |
| Mehrstufige Planung | Bedingt | Ja |
| Coding (einfach) | Ja | Nein |
| Coding (komplex / architektonisch) | Bedingt | Ja |
| Compliance-Analysen, Audits | Nein | Ja |
Tipp
Bei vielen Modellen (GPT-5-Familie, Claude und Gemini 3.5 Flash) kannst du den Reasoning-Aufwand — minimal, niedrig, mittel oder hoch — direkt im Chat über die Modellauswahl festlegen. Mehr Aufwand bedeutet gründlichere Antworten, dauert aber länger und verbraucht mehr Credits. So lässt sich Reasoning pro Nachricht hoch- oder herunterregeln, ohne das Modell zu wechseln. Dedizierte Reasoning-Modelle wie GPT-5 Thinking und o3 bleiben als separate, dauerhaft reasoning-aktive Optionen verfügbar.
OpenAI
OpenAI-Modelle laufen meist über den Azure OpenAI Service — bei EU-Hosting ausschließlich in EU-Rechenzentren (Sweden Central). Einzelne US-Varianten gehen direkt über OpenAI. Keine Verwendung von Daten für Trainingszwecke.
| Modell | Hosting | Reasoning | Kontext | Gut geeignet für |
|---|---|---|---|---|
| GPT-4o Mini | EU | — | 128k | Klassifikation, Tagging, einfache Zusammenfassungen, FAQ-Bots |
| GPT-4o | EU | — | 128k | Allgemeiner Assistent, Coding, multimodal, mehrsprachig |
| GPT-4.1 | EU | — | 1M | Wissensarbeit, konsistente Ausarbeitungen, Tool-Use, lange Dokumente |
| o4-mini | EU | ✓ | 200k | Effiziente Reasoning-Tasks, viele Anfragen mit Logik-Anteil |
| o3 | EU | ✓ | 200k | Strukturiertes Reasoning, mehrstufige Workflows, Tool-Calls in Assistenten |
| o3-pro | US | ✓ | 200k | Sehr anspruchsvolle Logik, formale Analysen, Compliance, Audits |
| GPT-5 | EU | — | 400k | Hochwertige Texte, Code, Agenten, lange Kontexte |
| GPT-5 Thinking | EU | ✓ | 400k | Schwierige Logik, Planung, Mathematik, Deep-Dive-Analysen |
| GPT-5 mini | EU | — | 400k | Viele Anfragen, einfache Aufgaben, Klassifikation, Pipelines |
| GPT-5 Nano | EU | — | 400k | Kostenlos verfügbar für einfache Unterhaltungen und sehr kostensensitive Massenverarbeitung |
| GPT-5.1 | EU | — | 400k | Standard-Modell für Business und Entwicklung, Agenten, Planung |
| GPT-5.2 | EU | ✓ Coding | 400k | Coding-lastige Workflows mit Reasoning-Bedarf (EU) |
| GPT-5.2 (US) | US | ✓ Coding | 400k | Gleiche Klasse wie GPT-5.2, US-Region |
| GPT-5.3 Chat | US | ✓ Coding | 128k | Chat-orientierte Variante mit Reasoning- und Coding-Fokus |
| GPT-5.4 | EU | ✓ Coding | 1M | Sehr lange Kontexte, schwere Reasoning- und Coding-Aufgaben (EU) |
| GPT-5.4 Pro | US | ✓ Coding | 1M | Maximales Reasoning + 1M-Kontext, anspruchsvollste Workloads |
| GPT-5.5 | EU | ✓ Coding | 1M | Bisherige EU-Spitze: Reasoning, Coding, lange Kontexte |
| GPT-5.6 Sol | EU | ✓ Coding | 1M | Neue EU-Spitze: anspruchsvollste Reasoning-, Coding- und Agenten-Aufgaben |
| GPT-5.6 Terra | EU | ✓ Coding | 1M | Ausgewogenes Alltagsmodell in GPT-5.5-Klasse zu geringeren Kosten |
| GPT-5.6 Luna | EU | ✓ Coding | 1M | Schnell und günstig für hohen Durchsatz, dennoch starkes Reasoning |
Anthropic (Claude)
Claude-Modelle laufen über Google Vertex. Anthropic hat das Artifacts-Konzept geprägt — entsprechend liefern Claude-Modelle besonders saubere Artifact-Ergebnisse (interaktive Dokumente, Diagramme, Code-Snippets).
| Modell | Hosting | Reasoning | Kontext | Gut geeignet für |
|---|---|---|---|---|
| Claude Haiku 4.5 | EU | — | 200k | Schnelle, günstige Anthropic-Antworten für einfache Aufgaben |
| Claude Sonnet 4 | EU | — | 200k | Fortgeschrittenes Coding, gute Balance Intelligenz / Geschwindigkeit |
| Claude Sonnet 4.5 | EU | — | 200k | Production-Coding, komplexe Agenten, Multi-Tool-Workflows |
| Claude Sonnet 4.6 | EU | — | 200k | Effizienter Sonnet-Allrounder mit hoher Geschwindigkeit |
| Claude Sonnet 5 | EU | — | 1M | Aktueller Sonnet mit 1M-Kontext, ausgewogene Geschwindigkeit und Qualität für Coding, Analyse und Agenten-Workflows |
| Claude Opus 4.1 | US | — | 200k | Agentic Tasks, große Refactorings, Software Engineering |
| Claude Opus 4.5 | EU | — | 200k | Opus-Klasse mit EU-Hosting für hohe Qualitätsanforderungen |
| Claude Opus 4.6 | EU | — | 200k | Aktueller EU-Opus für anspruchsvollste Aufgaben |
| Claude Opus 4.7 | EU | — | 1M | Opus mit 1M-Kontext für sehr lange Dokumente und Codebases |
| Claude Opus 4.8 | EU | — | 1M | Aktueller Opus mit 1M-Kontext, schärferes agentisches Coding und stärkeres Reasoning |
Google (Gemini)
Gemini-Modelle laufen über Google Vertex und punkten mit den größten Kontextfenstern (1M+ Tokens). Ideal für lange Dokumente, ganze Wissensbasen oder umfangreiche Datei-Uploads.
| Modell | Hosting | Reasoning | Kontext | Gut geeignet für |
|---|---|---|---|---|
| Gemini 2.5 Flash | EU | ✓ | 1M | Massendatenverarbeitung, schnelle APIs, Bildanalyse |
| Gemini 2.5 Pro | EU | ✓ | 1M | Komplexe Code-Projekte, STEM, große Datensätze, agentische Workflows |
| Web Search | EU | ✓ | 200K | Schnelle Web-Antworten mit Quellen durch Claude Haiku 4.5 und Linkup |
| Gemini 3 Flash (Preview) | US | ✓ | 1M | Nächste Generation Flash — Preview |
| Gemini 3.5 Flash | EU | ✓ | 1M | Aktuellster Flash, kombiniert Reasoning auf Pro-Niveau mit hoher Geschwindigkeit, multimodale Eingabe (Text, Bild, Audio, Video) |
| Gemini 3.6 Flash | Global | ✓ | 1M | Neuester Flash, Reasoning auf Pro-Niveau bei nahezu halbierter Latenz, multimodale Eingabe (Text, Bild, Audio, Video) |
| Gemini 3.5 Flash-Lite | EU | ✓ | 1M | Kostenoptimiert für hohe Geschwindigkeit und große Mengen, mit Reasoning und multimodaler Eingabe |
| Gemini 3.1 Pro (Preview) | US | ✓ | 1M | Multimodales Reasoning, lange Kontexte, agentische Workflows — Preview |
Mistral
Mistral-Modelle sind in europäischen Rechenzentren gehostet und bieten eine starke EU-native Alternative für Business-Anwendungen.
| Modell | Hosting | Reasoning | Kontext | Gut geeignet für |
|---|---|---|---|---|
| Mistral Medium 3 | EU | — | 128k | Enterprise-Deployments, multimodale Analysen, lange Dokumente, Coding |
| Mistral Medium 3.5 | EU | — | 256k | Aktuelle Mistral-Medium-Generation mit größerem Kontext |
| Magistral Medium 1.2 | EU | ✓ | 128k | EU-Reasoning-Alternative für Logik- und Analyse-Aufgaben |
| CodeStral | EU | — Coding | 256k | IDE-Code-Vervollständigung, Fill-in-the-Middle, Code-Tests |
DeepSeek
DeepSeek-Modelle laufen über Azure AI Foundry und bieten kosteneffiziente Reasoning- und Coding-Optionen.
| Modell | Hosting | Reasoning | Kontext | Gut geeignet für |
|---|---|---|---|---|
| DeepSeek-R1 | Global | ✓ | 128k | Mathematische Beweise, Chain-of-Thought, Logikrätsel |
| DeepSeek-V3.2 | Global | — Coding | 128k | Kosteneffiziente Batch-Verarbeitung, Coding (Python/C++), mehrsprachig |
Weitere Modelle
| Modell | Anbieter | Hosting | Reasoning | Kontext | Gut geeignet für |
|---|---|---|---|---|---|
| Llama 3.3 | Meta (Hosting: Nebius) | EU | — | 128k | Enterprise-RAG, Tool-Use, JSON-Output, On-Premise-Szenarien |
| GPT-OSS 120B | OpenAI Open-Weights (Hosting: Nebius) | EU | ✓ | 128k | Self-Hosting, RAG, On-Prem-Agenten |
| Kimi K2.5 | Moonshot (Hosting: Azure AI Foundry) | Global | ✓ Coding | 131k | Reasoning- und Coding-Aufgaben mit großem Kontext |
| Kimi K2.6 | Moonshot (Hosting: Azure AI Foundry Schweden) | Global | ✓ Coding | 256k | Nachfolger von K2.5 mit verdoppeltem Kontext |
Bildgenerierung
Bildmodelle (FLUX-Familie, GPT Image, Gemini-Bildmodelle) sind separat in der Bildmodelle-Verwaltung dokumentiert — inklusive Hosting-Region, Premium-Status und Empfehlungen.
Modelle aktivieren oder deaktivieren
Welche Modelle Deine Nutzer im Workspace zur Auswahl haben, steuerst Du als Admin in den Einstellungen. Details: Workspace-Konfiguration.
Warum unterscheiden sich Antworten von ChatGPT, Claude oder Gemini direkt?
Auch wenn Du in meinGPT dasselbe Modell wählst (z. B. GPT-5.5), können die Antworten von denen abweichen, die Du in ChatGPT, der Claude-App oder Gemini direkt bekommst. Das liegt nicht an einer schlechteren Modellqualität - es ist in meinGPT dasselbe Modell desselben Anbieters. Die Unterschiede entstehen durch das Umfeld, in dem das Modell läuft:
- Anderer System-Prompt. ChatGPT & Co. legen dem Modell unsichtbar einen eigenen, stark vorbereiteten System-Prompt und ein bestimmtes Antwortformat vor. meinGPT nutzt einen neutraleren System-Prompt, damit das Modell sich an Deine Workspace- und Assistenten-Vorgaben hält. Für gleichbleibende Ergebnisse lohnt es sich, Ton und Format direkt im Prompt oder in einem Assistenten festzulegen.
- Keine ChatGPT-Personalisierung. In ChatGPT wirken oft gespeicherte „Custom Instructions" und das Memory aus früheren Unterhaltungen mit - Du merkst das gar nicht. In meinGPT startest Du ohne diesen unsichtbaren Kontext. Du kannst Deinen gespeicherten Kontext über die Memory-Funktion nach meinGPT übernehmen.
- Zufall ist eingebaut. Sprachmodelle antworten nicht deterministisch - dieselbe Frage liefert auch im selben Tool von Mal zu Mal leicht andere Formulierungen.
- Werkzeuge und Websuche. Ob das Modell im Web recherchieren oder Werkzeuge nutzen darf, beeinflusst die Antwort stark. Prüfe über das „+"-Menü, ob die passenden Werkzeuge (z. B. Websuche) aktiviert sind.
Tipp
Bekommst Du in meinGPT „schlechtere" Ergebnisse als in ChatGPT, liegt es fast nie am Modell. Formuliere Ton, Rolle und Format explizit im Prompt, aktiviere die nötigen Werkzeuge - oder hinterlege beides dauerhaft in einem Assistenten.
Verwandte Seiten
- Bildmodelle — Bildgenerierungs-Modelle und ihre Eignung
- Workspace-Konfiguration — aktivierte Modelle pro Workspace steuern
- Datenschutz — DSGVO-Konformität, EU-Hosting, Provider-Übersicht
- Pricing — Token-Preise pro Modell