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.
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).
Kostenstufe ($ bis $$$$) — zeigt beim Hover grob, wie teuer ein Modell im Vergleich zu anderen ist ($ = günstig bis $$$$ = teuer).
Bestes Modell — wählt zunächst GPT-5. Nur wenn die Unterhaltung inklusive angehängter Dokumente das Kontextfenster von GPT-5 übersteigt, wird automatisch auf Gemini 2.5 Flash gewechselt. Die Auswahl richtet sich ausschließlich nach dem Umfang der Eingabe, nicht nach Aufgabentyp oder benötigter Reasoning-Tiefe — für anspruchsvolle Aufgaben solltest Du weiterhin ein bestimmtes Modell manuell auswählen. Standardmäßig werden dabei nur EU-Modelle verwendet.
Hinweis
Datenschutz: EU-gehostete Modelle verarbeiten Daten zu 100 % innerhalb der
EU. Für Assistenten ist die Modellwahl standardmäßig auf Automatisch
gesetzt — eine explizite Auswahl ist optional. Bleibt es auf Automatisch,
greift dieselbe Logik wie beim „Bestes Modell"-Verhalten im normalen Chat und
es wird ein EU-gehostetes Modell verwendet.
Achtung
Genauigkeit bei Fakten-Lookups: Für strukturierte Faktenfragen (z. B. konkrete Transaktionscodes, Artikelnummern oder Kennzahlen) hilft ein „größeres" oder „besseres" Modell allein nicht zwangsläufig — jedes Sprachmodell kann eine falsche Antwort genauso selbstsicher formulieren wie eine richtige und auf Nachfrage zunächst an ihr festhalten. Verlasse Dich bei solchen Anfragen nicht auf Bestes Modell, sondern wähle bewusst ein Modell, aktiviere bei Bedarf die Websuche zur Gegenprüfung, und verifiziere das Ergebnis gegen eine Primärquelle.
Hinweis
Genaue Preise: Die exakten Preise pro Million Token siehst Du in diesem
Tooltip nur, wenn Du Workspace-Admin bist. Als reguläres Mitglied zeigt der
Tooltip ausschließlich die Kostenstufe ($ bis $$$$). Die vollständige
Preistabelle findet sich unter Alle Modelle.
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 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.
Die Spalte Kontext in den Modell-Tabellen unten zeigt das Kontextfenster in Tokens - die Gesamtmenge an Text, die ein Modell in einer Anfrage gleichzeitig berücksichtigen kann (Chatverlauf plus alle angehängten Dateien zusammen). Als grobe Faustregel entspricht eine A4-Textseite ungefähr 500-750 Tokens; ein Modell mit 200k Kontext verträgt also überschlägig 250-400 Seiten reinen Text, eines mit 1M Kontext entsprechend mehr.
Achtung
Das Kontextfenster ist nicht die einzige Grenze. Zusätzlich zum
Token-Limit setzen die KI-Anbieter für PDFs und Bilder eigene, unabhängige
Grenzen: eine maximale Seitenzahl pro PDF, eine maximale Dateigröße bzw.
Auflösung pro Bild und eine maximale Anzahl Bilder pro Anfrage. Diese
Anbieter-Limits hängen nicht direkt an der Kontextfenster-Größe - ein
Modell mit sehr großem Kontext (z. B. 1M Token) kann trotzdem ein PDF mit sehr
vielen Seiten oder stark bebilderte Dokumente (z. B. Patentschriften mit
vielen Zeichnungen) ablehnen, sobald die anbieterseitige Seiten- oder
Bildgrenze erreicht ist. Die genauen Werte legt der jeweilige KI-Anbieter fest
und können sich ändern; sie erscheinen bei Bedarf direkt in der Fehlermeldung.
Bildeingabe ist ein modellabhängiger Dateityp, keine eigene „Vision"-Stufe. Ob ein Modell einen angehängten Bild-Anhang akzeptiert, funktioniert genauso wie die PDF-Unterstützung: manche Modelle können es, manche nicht, und das wird in den Tabellen unten nicht als eigene Fähigkeit ausgewiesen. Praktisch die gesamte aktuelle Flaggschiff-Riege akzeptiert Bilder (JPEG, PNG, GIF, WEBP) als Datei-Anhang: alle GPT-4o- und GPT-5-Modelle, alle Claude-Sonnet-/Opus-/Haiku-Modelle, alle Gemini-Modelle sowie Mistrals Medium- und Magistral-Modelle. DeepSeek, GPT-OSS, CodeStral und die älteren Kimi-K2-Modelle akzeptieren keine Bilder - frage im Zweifel Deinen Workspace-Admin zu einem konkreten Modell.
Über die API gilt das nur für den Assistant-Run-Endpunkt (multipart/form-data-Datei-Upload) - der Chat-Completions-Endpunkt akzeptiert unabhängig vom gewählten Modell keine Bildinhalte im Request-Body.
Trittst Du auf eine dieser Grenzen, hilft in der Regel ein Wechsel auf ein anderes Modell (ggf. eines anderen Anbieters) - Details zu den einzelnen Fehlermeldungen findest Du unter Fehlermeldungen im Chat.
Die Modelle unterscheiden sich deutlich im Verbrauch: leistungsfähigere Modelle (aktuell u. a. o3-pro, GPT-5.4, GPT-5.4 Pro sowie die Claude-Opus-Modelle) kosten pro Anfrage ein Vielfaches günstigerer Modelle. Der Unterschied steckt allein im Verbrauchssatz — Sonderklassen gibt es nicht. Ausgenommen sind die ausdrücklich als kostenfrei gekennzeichneten Modelle, deren Nutzung keine Credits verbraucht.
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.
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
Gemini-Modelle laufen über Google Vertex und punkten mit den größten Kontextfenstern (1M+ Tokens). Ideal für lange Dokumente, ganze Wissensbasen oder umfangreiche Datei-Uploads.
Bildmodelle (FLUX-Familie, GPT Image, Gemini-Bildmodelle) sind separat in der Bildmodelle-Verwaltung dokumentiert — inklusive Hosting-Region, Premium-Status und Empfehlungen.
Welche Modelle Deine Nutzer im Workspace zur Auswahl haben, steuerst Du als Admin in den Einstellungen. Details: Workspace-Konfiguration.
Hinweis
Kann ich eigene LLM-Schlüssel hinterlegen? Nein. Alle Sprachmodelle laufen über die eigenen, verwalteten und DSGVO-konformen Provider-Konten von meinGPT — Du hinterlegst keine eigenen OpenAI-, Azure-OpenAI- oder Anthropic-Schlüssel und rechnest auch nicht darüber ab. Als Admin steuerst Du, welche der eingebauten Modelle Dein Workspace nutzen darf (aktivieren/deaktivieren und Standard), Du kannst aber kein Modell und keinen eigenen Provider-Schlüssel zur Auswahl hinzufügen. Die einzige „Bring Your Own Key"-Option betrifft den DeepL-Übersetzungsdienst — siehe Übersetzungseinstellungen. Brauchst Du ein bestimmtes Modell, das nicht in der Liste steht, sprich uns an.
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.
Es ist dasselbe Modell mit denselben Gewichten - die Antwortqualität ist identisch. Kleine Geschwindigkeitsunterschiede zur nativen App haben meist folgende Ursachen:
EU-Hosting: EU-Modelle laufen bewusst in europäischen Rechenzentren (z. B. Azure Sweden Central, Google Vertex EU) statt in den schnellsten US-Regionen. Dieser Routing-Weg über unsere Aggregations-Ebene kostet in der Regel nur Sekundenbruchteile, kann aber spürbar werden.
Auslastung beim Anbieter: In Stoßzeiten schwankt die Antwortzeit beim KI-Anbieter - das betrifft native Apps genauso.
Große Eingabemenge: Je mehr Text das Modell auf einmal berücksichtigen muss (langer Chatverlauf plus angehängte Dokumente, z. B. ~50.000 Tokens), desto länger dauert allein das Einlesen der Anfrage — noch bevor das erste Wort der Antwort erscheint.
Werkzeuge und Agenten-Schritte: Nutzt ein Assistent Werkzeuge (Web-Recherche, Dokumentensuche, Konnektoren), ist jeder Werkzeug-Aufruf eine eigene, vollständige Modell-Runde. Mehrere Schritte hintereinander summieren sich — eine anspruchsvolle Aufgabe mit großem Kontext und mehreren Tool-Aufrufen kann daher durchaus mehrere Minuten laufen.
Hinweis
Eine langsame Antwort ist kein Fehler. Läuft eine Anfrage sehr lange und liefert am Ende ein Ergebnis, hat sie erfolgreich gearbeitet — sie hängt nicht. Erscheint während der Wartezeit nichts im Chat, kann die Antwort im Hintergrund fertig geworden sein; lade den Chat dann neu, um sie zu sehen (siehe Verbindung unterbrochen). Ist Dir eine Aufgabe zu langsam, wähle ein schnelleres Modell (z. B. Claude Sonnet 4.6 oder ein Gemini-Flash-Modell), reduziere den mitgegebenen Kontext oder senke bei Assistenten den Assistenten-Modus.
Anhaltende oder plötzliche Verlangsamungen sind fast nie ein meinGPT-Serverproblem, sondern anbieterseitig. Bei einer konkreten Fehlermeldung im Chat siehe Fehlermeldungen im Chat.