> For the complete documentation index, see [llms.txt](https://docs.airops.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.airops.com/docs/de/aktionen/workflow-concepts/workflow-steps/ai-steps/llm/choosing-a-model.md).

# Leitfaden zur Modellauswahl

Vergleiche unterstützte Modelle und wähle eines für einen Prompt-LLM-Schritt aus

## Modell auswählen

Das ausgewählte Modell beeinflusst die Ausgabequalität, Geschwindigkeit, Kosten und verfügbaren Funktionen in einem [Prompt-LLM-Schritt](https://docs.airops.com/docs/de/aktionen/workflow-concepts/workflow-steps/ai-steps/llm.md). Maßgeblich für die Verfügbarkeit in deinem Workspace ist die Modellauswahl.

<figure><img src="https://1960680173-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FX2n5yPRPynbnWuO4SH0M%2Fuploads%2Fgit-blob-4a1981c50283717710979a745ae619b2b52b1495%2Fmodel-guide-01-model-picker.png?alt=media" alt="Model picker on the Anthropic tab with Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5, and Claude Haiku 5.5"><figcaption><p>Die Modellauswahl gruppiert die verfügbaren Modelle nach Anbieter.</p></figcaption></figure>

### Worauf es ankommt <a href="#what-to-consider" id="what-to-consider"></a>

Vergleiche diese Faktoren, bevor du ein Modell auswählst:

1. **Kontextfenster:** Prüfe, wie viele Eingaben das Modell verarbeiten kann. Ein Token entspricht im Englischen ungefähr vier Zeichen.
2. **Komplexität der Aufgabe:** Verwende leistungsfähigere Modelle für Schlussfolgerungen bei Planung, Analyse und mehrstufiger Logik.
3. **Webzugriff:** Vergewissere dich, dass das Modell Webrecherchen unterstützt, wenn die Aufgabe aktuelle Informationen erfordert.
4. **Kosten:** Vergleiche die Kostenstufe des Modells in der Auswahl, besonders bei Workflows mit hohem Volumen.
5. **Geschwindigkeit:** Wäge die Antwortzeit gegen die für die Aufgabe erforderliche Schlussfolgerungstiefe ab.

## Gängige AirOps-Modelle

Die folgenden Modelle decken gängige Anwendungsfälle in neuen Workflows ab. Ein Häkchen bedeutet, dass die Funktion im AirOps-Prompt-LLM-Schritt verfügbar ist.

| Modell                 | Anbieter   | Beschreibung                                                                           | Kontextfenster | Bildverarbeitung | JSON-Modus | Webzugriff |
| ---------------------- | ---------- | -------------------------------------------------------------------------------------- | -------------- | ---------------- | ---------- | ---------- |
| GPT-6 Astra            | OpenAI     | Komplexe Schlussfolgerungen und agentische Aufgaben                                    | 1M             | ✓                | ✓          | ✓          |
| GPT-6.1 Sol            | OpenAI     | Standardmodell für neue Prompt-LLM-Schritte                                            | 1M             | ✓                | ✓          | ✓          |
| GPT-6.1 Terra          | OpenAI     | Visuelles Schlussfolgern und natürliches Schreiben                                     | 1M             | ✓                | ✓          | ✓          |
| GPT-6 Sol              | OpenAI     | Starkes Schlussfolgerungsvermögen für Programmierung und agentische Aufgaben           | 1M             | ✓                | ✓          | ✓          |
| GPT-6 Luna             | OpenAI     | Effizientes Modell für gezielte Aufgaben mit hohem Volumen                             | 1M             | ✓                | ✓          | ✓          |
| GPT-5.6 Sol            | OpenAI     | Flaggschiffmodell der GPT-5.6-Reihe für komplexe Schlussfolgerungen und Programmierung | 1M             | ✓                | ✓          | ✓          |
| GPT-5.6 Terra          | OpenAI     | Ausgewogenes GPT-5.6-Modell mit starker Leistung zu geringeren Kosten                  | 1M             | ✓                | ✓          | ✓          |
| GPT-5.6 Luna           | OpenAI     | Kosteneffizientes GPT-5.6-Modell für Arbeitslasten mit hohem Volumen                   | 1M             | ✓                | ✓          | ✓          |
| GPT-5.5                | OpenAI     | Vorgängermodell der Flaggschiffreihe für komplexe Schlussfolgerungsaufgaben            | 1M             | ✓                | ✓          | ✓          |
| GPT-5.4                | OpenAI     | Fortschrittliches Modell für professionelle Aufgaben                                   | 1M             | ✓                | ✓          | ✓          |
| GPT-5.4 Mini           | OpenAI     | Schnelleres GPT-5.4-Modell für klar definierte Aufgaben                                | 400K           | ✓                | ✓          | ✓          |
| GPT-5.2                | OpenAI     | Flaggschiffmodell mit verbessertem Reasoning über lange Kontexte                       | 400K           | ✓                | ✓          | ✓          |
| Claude Opus 5.5        | Anthropic  | Komplexe Schlussfolgerungen und agentische Aufgaben                                    | 1M             | ✓                | -          | ✓          |
| Claude Opus 5          | Anthropic  | Für komplexe agentische Programmieraufgaben und Aufgaben in Unternehmen                | 1M             | ✓                | -          | ✓          |
| Claude Fable 5.2       | Anthropic  | Anspruchsvolles Reasoning und agentische Aufgaben mit langem Zeithorizont              | 1M             | ✓                | -          | ✓          |
| Claude Fable 5.1       | Anthropic  | Anspruchsvolles Reasoning und agentische Aufgaben mit langem Zeithorizont              | 1M             | ✓                | -          | ✓          |
| Claude Fable 5         | Anthropic  | Anspruchsvolles Reasoning und agentische Aufgaben mit langem Zeithorizont              | 1M             | ✓                | -          | ✓          |
| Claude Sonnet 5.5      | Anthropic  | Schnelles Modell für Programmierung und alltägliche Aufgaben                           | 1M             | ✓                | -          | ✓          |
| Claude Sonnet 5        | Anthropic  | Hybrides Reasoning für schnelle Antworten oder tiefgehendes Nachdenken                 | 1M             | ✓                | -          | ✓          |
| Claude Opus 4.8        | Anthropic  | Vorgängiges Flaggschiffmodell für komplexe mehrstufige Aufgaben                        | 1M             | ✓                | -          | ✓          |
| Claude Opus 4.7        | Anthropic  | Komplexes Reasoning, Programmierung und Arbeit mit langen Kontexten                    | 1M             | ✓                | -          | ✓          |
| Claude Opus 4.6        | Anthropic  | Komplexes Reasoning und Programmierung                                                 | 200K           | ✓                | -          | ✓          |
| Claude Sonnet 4.6      | Anthropic  | Aktuelle Sonnet-Option für komplexe Aufgaben                                           | 200K           | ✓                | -          | ✓          |
| Claude Haiku 5.5       | Anthropic  | Schnelle Klassifizierung, Extraktion und einfache Aufgaben                             | 1M             | ✓                | -          | ✓          |
| Claude Haiku 4.5       | Anthropic  | Schnelles Modell für einfache Aufgaben                                                 | 200K           | ✓                | -          | ✓          |
| Gemini 3.8 Flash       | Google     | Reasoning und Generierung mit Google-Suche-Einbindung                                  | 1M             | -                | ✓          | ✓          |
| Gemini 3.5 Flash       | Google     | Schnelles Modell mit Google-Suche-Einbindung                                           | 1M             | -                | ✓          | ✓          |
| Gemini 3.1 Pro Preview | Google     | Fortgeschrittenes Reasoning mit Google-Suche-Einbindung                                | 1M             | -                | ✓          | ✓          |
| Gemini 3 Flash Preview | Google     | Schnelles Modell für einfache Aufgaben                                                 | 1M             | -                | ✓          | ✓          |
| Gemini 3.1 Flash Lite  | Google     | Kosteneffizientes Modell für einfache Aufgaben                                         | 1M             | -                | ✓          | ✓          |
| Perplexity Sonar       | Perplexity | Ausgewogenes Modell für Online-Recherchen im Web                                       | 128K           | -                | -          | ✓          |

## OpenAI-Modelle

### GPT-6 Astra

Auswählen **GPT-6 Astra** für komplexes Reasoning und agentische Aufgaben. Es unterstützt Reasoning-Aufwand, Ausführlichkeit, Bildverarbeitung, JSON-Ausgabe und Web-Recherche im Schritt „Prompt-LLM“. Temperatureinstellungen sind nicht verfügbar.

### GPT-6.1 Sol

Neue Prompt-LLM-Schritte verwenden standardmäßig **GPT-6.1 Sol** mit **Mittel** Reasoning-Aufwand. Sie können **Niedrig**, **Mittel**, oder **Hoch**. Der Schritt unterstützt Vision, JSON-Ausgabe, Web Research und Einstellungen für die Ausführlichkeit. Das Kontextfenster umfasst 1 Million Token, und es können bis zu 128.000 Token ausgegeben werden. Temperatureinstellungen sind nicht verfügbar. Bereits unterstützte Modellauswahlen bleiben unverändert.

### GPT-6.1 Terra

Wählen Sie **GPT-6.1 Terra** für visuelles Schlussfolgern und Textgenerierung in einem Prompt-LLM-Schritt. Das Modell unterstützt Vision, JSON-Ausgabe, Web Research, Einstellungen für die Ausführlichkeit, ein Kontextfenster mit 1 Million Token und bis zu 128.000 Ausgabetoken.

Wählen Sie einen **Keinen**, **Niedrigen**, **Mittleren**, oder **Hohen** Reasoning-Aufwand. Temperatureinstellungen sind nicht verfügbar. Das Hinzufügen dieses Modells ändert weder die Voreinstellung für neue Schritte noch das in vorhandenen Workflows ausgewählte Modell.

### GPT-6 Sol und Luna

Verwenden Sie **GPT-6 Sol** für anspruchsvolle Programmieraufgaben, Schlussfolgerungen und agentische Aufgaben. **GPT-6 Luna** ist eine kostengünstigere Option für fokussierte Aufgaben mit hohem Volumen.

Beide Modelle unterstützen Vision, JSON-Ausgabe, Web Research, den Reasoning-Aufwand und Einstellungen für die Ausführlichkeit. Temperatureinstellungen sind nicht verfügbar. In bestehenden Schritten bleibt das ausgewählte Modell erhalten.

### GPT-5-Serie

GPT-5-Modelle verbinden Schlussfolgerungsfähigkeiten mit vielseitiger Textgenerierung. GPT-5.6 wird in der Modellauswahl als Sol, Terra und Luna angezeigt. Diese Modelle bleiben für bestehende und neue Schritte verfügbar.

GPT-5.1, GPT-5.2, GPT-5.4, GPT-5.5 und GPT-5.6 unterstützen `none`, `low`, `medium`, und `high`.

### O3-Modelle

Gespeicherte O3- und O3-Pro-Schritte verwenden jetzt GPT-5.6 Sol. Lesen Sie vor dem Ausführen bestehender Workflows die nachstehenden Informationen zum Modellwechsel.

## Unterschiede zwischen Claude-Modellen

### Claude Opus 5.5

Wählen Sie **Claude Opus 5.5** für komplexe Schlussfolgerungen und agentische Aufgaben. Das Modell unterstützt ein Kontextfenster mit 1 Million Token, Vision und Web Research. Aktivieren Sie **Enable Thinking** für adaptives Denken. Temperatureinstellungen und Web Fetch sind für dieses Modell im Prompt-LLM-Schritt nicht verfügbar.

### Claude Opus 5

Claude Opus 5 bewältigt komplexe agentische Programmieraufgaben und Aufgaben im Unternehmensumfeld. Aktivieren Sie **Enable Thinking** im Prompt-LLM-Schritt, wenn die Aufgabe von zusätzlichem Schlussfolgern profitiert. Claude Opus 5 unterstützt **Web Research**, aber nicht **Web Fetch**.

### Claude Fable 5.2

Wählen Sie **Claude Fable 5.2** im Prompt-LLM-Schritt für anspruchsvolle Schlussfolgerungen und Aufgaben mit langem Zeithorizont. Das Modell unterstützt Vision, Web Research, Web Fetch, ein Kontextfenster mit 1 Million Token und bis zu 128.000 Ausgabetoken. Aktivieren Sie **Enable Thinking** für adaptives Denken. Temperatureinstellungen sind nicht verfügbar.

Fable 5.2 verwendet die direkte Anthropic-API mit AirOps-Zugangsdaten oder Ihrem eigenen Anthropic-Schlüssel.

### Claude Fable 5.1 und Fable 5

Claude Fable 5.1 unterstützt anspruchsvolle Schlussfolgerungen und agentische Aufgaben mit langfristigem Planungshorizont. Das Modell bietet ein Kontextfenster mit 1 Mio. Tokens, Vision, adaptives Denken, Web Research und Web Fetch. Fable 5 bleibt für bestehende Workflows verfügbar.

### Claude Sonnet 5.5

Wählen Sie **Claude Sonnet 5.5** für Programmierung und alltägliche Aufgaben aus. Das Modell bietet ein Kontextfenster mit 1 Mio. Tokens, Vision, Web Research und Web Fetch. Aktivieren Sie **Den Denkmodus aktivieren** für adaptives Denken mit geringem, mittlerem oder hohem Aufwand. Temperature-Steuerungen sind nicht verfügbar.

### Claude Sonnet 5

Claude Sonnet 5 vereint schnelle Antworten mit tiefergehenden Schlussfolgerungen und ist in der LLM-Modellauswahl mit einem Stern markiert.

### Claude Opus 4.8 und 4.7

Claude Opus 4.8 und 4.7 unterstützen komplexe, mehrstufige Workflows, längere Inhalte und Rechercheaufgaben. Beide Modelle bieten Kontextfenster mit 1 Mio. Tokens.

### Claude Haiku 5.5

Wählen Sie **Claude Haiku 5.5** in einem Prompt-LLM-Schritt für Klassifizierung, Extraktion und einfache Aufgaben aus. Das Modell bietet Vision, Web Research, ein Kontextfenster mit 1 Mio. Tokens und bis zu 128.000 Ausgabetokens.

Aktivieren Sie **Den Denkmodus aktivieren** für adaptives Denken mit **geringem**, **mittlerem**, oder **hohem** Aufwand. Steuerungen für Temperature, Top P, Top K und Priority Tier sind für dieses Modell nicht verfügbar.

### Claude Sonnet 4.6 und Haiku 4.5

Verwenden Sie Claude Sonnet 4.6 für komplexe Aufgaben, bei denen ein ausgewogenes Verhältnis zwischen Schlussfolgerungen und Geschwindigkeit gefragt ist. Verwenden Sie Claude Haiku 4.5 für weniger anspruchsvolle Aufgaben.

## Gemini-Flash-Modelle

Gemini 3.8 Flash unterstützt ein Kontextfenster mit 1 Mio. Tokens, JSON-Ausgabe und die Grounding-Funktion mit der Google-Suche. Vision und MCP-Tools sind für dieses Modell im Prompt-LLM-Schritt nicht verfügbar. Bei Gemini 3.8 Flash gibt es keine Temperature-Steuerungen.

## Groq-Modelle

Wählen Sie **GPT OSS 120B** oder **GPT OSS 20B** für Open-Weight-Modelle, die von Groq gehostet werden. GPT OSS 20B eignet sich für weniger anspruchsvolle Aufgaben.

Groq hat Llama 3.1 8B Instant und Llama 3.3 70B Versatile am 16. August 2026 eingestellt. AirOps ordnet betroffene Auswahlen GPT OSS 20B bzw. GPT OSS 120B zu. Überprüfen und testen Sie den Ersatz, bevor Sie einen betroffenen Workflow in großem Umfang ausführen.

## Modellverfügbarkeit

AirOps blendet veraltete Modelle für neue Workflows in der Auswahlliste aus. Wenn ein bestehender Workflow ein veraltetes Modell verwendet, bleibt das ausgewählte Modell sichtbar, damit Sie die Änderung überprüfen können. Beim Laden des Workflows kann AirOps die Auswahl automatisch auf ein unterstütztes Modell aktualisieren. Falls auch ein Ersatzmodell veraltet ist, folgt AirOps der Ersatzkette bis zu einem unterstützten Modell.

Überprüfen Sie das ausgewählte Modell und testen Sie den Workflow nach einer automatischen Aktualisierung. Modellverhalten, Kosten und unterstützte Einstellungen können sich zwischen Versionen ändern.

### Ersatzmodelle für GPT-5 und O3

AirOps ersetzt diese veralteten Modellauswahlen in bestehenden Workflows. Der konfigurierte Termin für die Entfernung durch den Anbieter ist der 11. Dezember 2026; die Ersatzmodelle von AirOps sind bereits verfügbar.

| Gespeichertes Modell                                  | Ersatz        |
| ----------------------------------------------------- | ------------- |
| GPT-5, O3, O3 Pro, einschließlich datierter Varianten | GPT-5.6 Sol   |
| GPT-5 Mini, einschließlich datierter Varianten        | GPT-5.6 Terra |
| GPT-5 Nano, einschließlich datierter Varianten        | GPT-5.6 Luna  |

Eine gespeicherte Einstellung `minimal` für das Reasoning wird in Anfragen zu `low` umgewandelt, wenn das Ersatzmodell `minimal`nicht unterstützt. Diese Anpassung der Anfrage ändert die gespeicherte Einstellung nicht. Überprüfen Sie repräsentative Ausgaben und die Aufgabennutzung vor einer Ausführung in großem Umfang, da sich Modellverhalten und Kosten ändern können.

### Geplante Modellersetzungen

Der konfigurierte Ersatzplan von AirOps umfasst:

| Veraltetes Modell     | Ersatz                | Geplante Entfernung |
| --------------------- | --------------------- | ------------------- |
| GPT-5.4 Nano          | GPT-6 Luna            | 1. April 2027       |
| GPT-5.1               | GPT-6 Sol             | 1. April 2027       |
| Claude Sonnet 4.5     | Claude Sonnet 5.5     | 30. November 2026   |
| Gemini 3.7 Flash      | Gemini 3.8 Flash      | 28. Januar 2027     |
| Gemini 2.5 Flash Lite | Gemini 3.1 Flash Lite | 20. Oktober 2026    |
| Gemini 2.5 Flash      | Gemini 3.8 Flash      | 20. Oktober 2026    |
| Gemini 2.5 Pro        | Gemini 3.8 Flash      | 20. Oktober 2026    |

Gespeicherte Gemini-2.5-Pro-Schritte, einschließlich der Schritte in veröffentlichten Power Steps, verwenden zur Laufzeit Gemini 3.8 Flash. Du musst den Workflow für diese Ersetzung nicht erneut veröffentlichen. Explizite Auswahlen von Gemini 3.1 Pro Preview behalten ihr bisheriges Verhalten bei. Teste repräsentative Eingaben vor einem Massenlauf, da die Ausgabequalität abweichen kann.

Das ursprünglich festgelegte Entfernungsdatum für Claude Opus 4.1 war der 5. August 2026; das Ersatzmodell ist Claude Opus 4.8. Teste betroffene Workflows vor einem Massenlauf mit dem Ersatzmodell.

## Websuchfunktionen

Mehrere Modelle unterstützen die Webrecherche und können dadurch während der Generierung auf aktuelle Informationen zugreifen:

**OpenAI:** GPT-6 Astra, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Sol, GPT-6 Luna, GPT-5.2, GPT-5.4, GPT-5.4 Mini, GPT-5.5, GPT-5.6 Sol, GPT-5.6 Terra und GPT-5.6 Luna unterstützen die Webrecherche, wenn sie im Schritt „Prompt LLM“ aktiviert ist.

**Anthropic:** Aktuelle Claude-Modelle unterstützen die Webrecherche. Ob Web Fetch verfügbar ist, hängt vom ausgewählten Modell ab. Claude Opus 5.5 und Opus 5 unterstützen **Web Research**, aber nicht **Web Fetch**.

**Google:** Aktuelle Gemini-Modelle unterstützen die Webrecherche über die Google-Suche mit Grounding.

**Perplexity:** Sonar-Modelle bieten Webzugriff für Online-Recherchen.

## Wie viel kostet die Ausführung?

Die Kosten für die Ausführung eines Modells hängen von der Anzahl der Eingabe- und Ausgabetokens ab.

### Tokens schätzen

**Eingabetokens:** Um die Gesamtzahl der Eingabetokens zu schätzen, kopiere deine System-, Benutzer- und Assistenten-Prompts und füge sie ein in [den OpenAI-Tokenizer](https://platform.openai.com/tokenizer)

**Ausgabetokens:** Um die Gesamtzahl der Ausgabetokens zu schätzen, kopiere deine Ausgabe und füge sie ein in [den OpenAI-Tokenizer](https://platform.openai.com/tokenizer)

### Kosten schätzen

**OpenAI:** Teile die Ein- und Ausgabetokens durch 1.000 und multipliziere sie anschließend mit den jeweiligen Kosten [gemäß der OpenAI-Preisgestaltung](https://openai.com/pricing)\*

**Anthropic:** Teile die Ein- und Ausgabetokens durch 1.000.000 und multipliziere sie anschließend mit den jeweiligen Kosten [gemäß der Anthropic-Preisgestaltung](https://www-cdn.anthropic.com/files/4zrzovbb/website/31021aea87c30ccaecbd2e966e49a03834bfd1d2.pdf)\*

{% hint style="info" %}
\*Dies sind die Kosten, wenn du [deinen eigenen API-Schlüssel verwendest](https://docs.airops.com/docs/de/dein-workspace/settings/byo-key.md). Wenn du dich für gehostete Modelle von AirOps entscheidest, werden dir Aufgaben entsprechend deiner Nutzung [berechnet](https://airopshq.notion.site/AirOps-Task-Pricing-by-Hosted-Service-fd825db1300545cb8c3b5de8bc16529e).
{% endhint %}


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.airops.com/docs/de/aktionen/workflow-concepts/workflow-steps/ai-steps/llm/choosing-a-model.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
