> 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 von Ihnen ausgewählte Modell beeinflusst die Ausgabequalität, die Geschwindigkeit, die Kosten und die in einem [Prompt-LLM-Schritt](/docs/de/aktionen/workflow-concepts/workflow-steps/ai-steps/llm.md). Verwenden Sie die Modellauswahl als verbindliche Quelle für die Verfügbarkeit in Ihrem Arbeitsbereich.
### Was zu beachten ist Vergleichen Sie diese Faktoren, bevor Sie ein Modell auswählen: 1. **Kontextfenster:** Prüfen Sie, wie viele Eingaben das Modell verarbeiten kann. Ein Token entspricht im Englischen ungefähr vier Zeichen. 2. **Aufgabenkomplexität:** Verwenden Sie stärkere Reasoning-Modelle für Planung, Analyse und mehrstufige Logik. 3. **Webzugriff:** Stellen Sie sicher, dass das Modell Web-Recherche unterstützt, wenn die Aufgabe aktuelle Informationen erfordert. 4. **Kosten:** Vergleichen Sie im Picker die Kostenstufe des Modells, besonders für Workflows mit hohem Volumen. 5. **Geschwindigkeit:** Wägen Sie die Antwortzeit gegen die für die Aufgabe erforderliche Reasoning-Tiefe 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 | Vision | JSON-Modus | Webzugriff | | ---------------------- | ---------- | --------------------------------------------------------------------------- | -------------- | ------ | ---------- | ---------- | | GPT-6 Astra | OpenAI | Komplexes Reasoning und agentische Arbeit | 1 Mio. | ✓ | ✓ | ✓ | | GPT-6.1 Sol | OpenAI | Standard für neue Prompt-LLM-Schritte | 1 Mio. | ✓ | ✓ | ✓ | | GPT-6 Sol | OpenAI | Starkes Reasoning für Coding und agentische Arbeit | 1 Mio. | ✓ | ✓ | ✓ | | GPT-6 Luna | OpenAI | Effizientes Modell für fokussierte Arbeit mit hohem Volumen | 1 Mio. | ✓ | ✓ | ✓ | | GPT-5.6 Sol | OpenAI | Flaggschiff-Modell GPT-5.6 für komplexes Reasoning und Coding | 1 Mio. | ✓ | ✓ | ✓ | | GPT-5.6 Terra | OpenAI | Ausgewogenes GPT-5.6-Modell für starke Leistung zu geringeren Kosten | 1 Mio. | ✓ | ✓ | ✓ | | GPT-5.6 Luna | OpenAI | Kosteneffizientes GPT-5.6-Modell für Workloads mit hohem Volumen | 1 Mio. | ✓ | ✓ | ✓ | | GPT-5.5 | OpenAI | Früheres Flaggschiff für komplexe Reasoning-Aufgaben | 1 Mio. | ✓ | ✓ | ✓ | | GPT-5.4 | OpenAI | Fortschrittliches Modell für professionelle Arbeit | 1 Mio. | ✓ | ✓ | ✓ | | GPT-5.4 Mini | OpenAI | Schnelleres GPT-5.4-Modell für klar definierte Aufgaben | 400.000 | ✓ | ✓ | ✓ | | GPT-5.2 | OpenAI | Flaggschiff mit verbessertem Reasoning für lange Kontexte | 400.000 | ✓ | ✓ | ✓ | | GPT-5 | OpenAI | Modell für komplexe Aufgaben | 200.000 | ✓ | ✓ | ✓ | | O3 Pro | OpenAI | Fortschrittliches Modell für komplexes Reasoning | 200.000 | ✓ | ✓ | - | | O3 | OpenAI | Reasoning-Modell mit Web-Recherche | 200.000 | ✓ | ✓ | ✓ | | Claude Opus 5.5 | Anthropic | Komplexes Reasoning und agentische Arbeit | 1 Mio. | ✓ | - | ✓ | | Claude Opus 5 | Anthropic | Für komplexes agentisches Coding und Enterprise-Arbeit | 1 Mio. | ✓ | - | ✓ | | Claude Fable 5.1 | Anthropic | Anspruchsvolles Reasoning und agentische Arbeit mit langem Planungshorizont | 1 Mio. | ✓ | - | ✓ | | Claude Fable 5 | Anthropic | Anspruchsvolles Reasoning und agentische Arbeit mit langem Planungshorizont | 1 Mio. | ✓ | - | ✓ | | Claude Sonnet 5.5 | Anthropic | Schnelles Modell für Coding und alltägliche Aufgaben | 1 Mio. | ✓ | - | ✓ | | Claude Sonnet 5 | Anthropic | Hybrides Reasoning für schnelle Antworten oder tiefes Nachdenken | 1 Mio. | ✓ | - | ✓ | | Claude Opus 4.8 | Anthropic | Früheres Flaggschiff für komplexe mehrstufige Aufgaben | 1 Mio. | ✓ | - | ✓ | | Claude Opus 4.7 | Anthropic | Komplexes Reasoning, Coding und Arbeit mit langem Kontext | 1 Mio. | ✓ | - | ✓ | | Claude Opus 4.6 | Anthropic | Komplexes Reasoning und Coding | 200.000 | ✓ | - | ✓ | | Claude Sonnet 4.6 | Anthropic | Aktuelle Sonnet-Option für komplexe Aufgaben | 200.000 | ✓ | - | ✓ | | Claude Haiku 5.5 | Anthropic | Schnelle Klassifizierung, Extraktion und einfache Aufgaben | 1 Mio. | ✓ | - | ✓ | | Claude Haiku 4.5 | Anthropic | Schnelles Modell für einfache Aufgaben | 200.000 | ✓ | - | ✓ | | Gemini 3.8 Flash | Google | Reasoning und Generierung mit Google-Search-Anbindung | 1 Mio. | - | ✓ | ✓ | | Gemini 3.5 Flash | Google | Schnelles Modell mit Google-Search-Anbindung | 1 Mio. | - | ✓ | ✓ | | Gemini 3.1 Pro Preview | Google | Fortgeschrittenes Reasoning mit Google-Search-Anbindung | 1 Mio. | - | ✓ | ✓ | | Gemini 3 Flash Preview | Google | Schnelles Modell für einfache Aufgaben | 1 Mio. | - | ✓ | ✓ | | Gemini 3.1 Flash Lite | Google | Kosteneffizientes Modell für einfache Aufgaben | 1 Mio. | - | ✓ | ✓ | | Perplexity Sonar | Perplexity | Ausgewogenes Modell für Online-Web-Recherche | 128.000 | - | - | ✓ | ## OpenAI-Modelle ### GPT-6 Astra Wählen Sie **GPT-6 Astra** für komplexe Reasoning- und agentische Aufgaben. Es unterstützt Reasoning-Aufwand, Ausführlichkeit, Vision, JSON-Ausgabe und Web-Recherche im Prompt-LLM-Schritt. Temperatursteuerungen 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-Recherche und Steuerelemente für die Ausführlichkeit, mit einem Kontextfenster von 1 Mio. Tokens und bis zu 128.000 Ausgabe-Tokens. Temperatursteuerungen sind nicht verfügbar. Vorhandene unterstützte Modellauswahlen bleiben unverändert. ### GPT-6 Sol und Luna Verwenden **GPT-6 Sol** für anspruchsvolles Coding, Reasoning und agentische Arbeit. **GPT-6 Luna** ist eine kostengünstigere Option für fokussierte Aufgaben mit hohem Volumen. Beide unterstützen Vision, JSON-Ausgabe, Web-Recherche, Reasoning-Aufwand und Steuerelemente für die Ausführlichkeit. Temperatursteuerungen sind nicht verfügbar. Bestehende Schritte behalten ihr ausgewähltes Modell. ### GPT-5-Serie GPT-5-Modelle kombinieren Reasoning mit allgemeiner Generierung. GPT-5.6 erscheint im Modell-Picker als Sol, Terra und Luna. Diese Modelle bleiben für bestehende und neue Schritte verfügbar. Die Reasoning-Steuerung variiert je nach Modell: * GPT-5 unterstützt `minimal`, `niedrig`, `mittel`und `hoch`. * GPT-5.1, GPT-5.2, GPT-5.4, GPT-5.5 und GPT-5.6 unterstützen `none`, `niedrig`, `mittel`und `hoch`. ### O3-Modelle Verwenden Sie O3 für komplexes, mehrstufiges Reasoning. O3 unterstützt `niedrig`, `mittel`und `hoch` Reasoning-Stufen. O3 Pro erhöht die Reasoning-Fähigkeit, unterstützt jedoch keine Web-Recherche im Prompt-LLM-Schritt. ## Unterschiede zwischen Claude-Modellen ### Claude Opus 5.5 Wählen Sie **Claude Opus 5.5** für komplexes Reasoning und agentische Arbeit. Es unterstützt ein Kontextfenster von 1 Mio. Tokens, Vision und Web-Recherche. Aktivieren Sie **Thinking aktivieren** um adaptives Thinking zu verwenden. Temperatursteuerungen und Web Fetch sind für dieses Modell im Prompt-LLM-Schritt nicht verfügbar. ### Claude Opus 5 Claude Opus 5 bewältigt komplexes agentisches Coding und Enterprise-Arbeit. Aktivieren Sie **Thinking aktivieren** im Prompt-LLM-Schritt, wenn die Aufgabe von zusätzlichem Reasoning profitiert. Claude Opus 5 unterstützt **Web Research**, unterstützt jedoch nicht **Web Fetch**. ### Claude Fable 5.1 und Fable 5 Claude Fable 5.1 unterstützt anspruchsvolles Reasoning und agentische Arbeit mit langem Planungshorizont, mit einem Kontextfenster von 1 Mio. Tokens, Vision, adaptivem Thinking, Web-Recherche und Web Fetch. Fable 5 bleibt für bestehende Workflows verfügbar. ### Claude Sonnet 5.5 Wählen Sie **Claude Sonnet 5.5** für Coding und alltägliche Aufgaben. Es unterstützt ein Kontextfenster von 1 Mio. Tokens, Vision, Web-Recherche und Web Fetch. Aktivieren Sie **Thinking aktivieren** um adaptives Thinking mit geringem, mittlerem oder hohem Aufwand zu verwenden. Temperatursteuerungen sind nicht verfügbar. ### Claude Sonnet 5 Claude Sonnet 5 verbindet schnelle Antworten mit tieferem Reasoning und ist im LLM-Modell-Picker mit einem Stern markiert. ### Claude Opus 4.8 und 4.7 Claude Opus 4.8 und 4.7 unterstützen komplexe, mehrstufige Workflows, Langform-Inhalte und Rechercheaufgaben. Beide Modelle unterstützen Kontextfenster von 1 Mio. Tokens. ### Claude Haiku 5.5 Wählen Sie **Claude Haiku 5.5** im Prompt-LLM-Schritt für Klassifizierung, Extraktion und einfache Aufgaben. Es unterstützt Vision, Web-Recherche, ein Kontextfenster von 1 Mio. Tokens und bis zu 128.000 Ausgabe-Tokens. Einschalten **Thinking aktivieren** für adaptives Thinking mit **Niedrig**, **Mittel**, oder **Hoch** Aufwand. Temperatur-, Top-P-, Top-K- und Priority-Tier-Steuerungen sind für dieses Modell nicht verfügbar. ### Claude Sonnet 4.6 und Haiku 4.5 Verwenden Sie Claude Sonnet 4.6 für komplexe Aufgaben, die ein Gleichgewicht zwischen Reasoning und Geschwindigkeit erfordern. Verwenden Sie Claude Haiku 4.5 für leichtere Workloads. ## Gemini-Flash-Modelle Gemini 3.8 Flash unterstützt ein Kontextfenster von 1 Mio. Tokens, JSON-Ausgabe und Google-Search-Anbindung. Vision und MCP-Tools sind für dieses Modell im Prompt-LLM-Schritt nicht verfügbar. Gemini 3.8 Flash stellt keine Temperatursteuerungen bereit. ## Groq-Modelle Wählen Sie **GPT OSS 120B** oder **GPT OSS 20B** für Open-Weight-Modelle, die von Groq gehostet werden. GPT OSS 20B ist für leichtere Aufgaben vorgesehen. Groq hat Llama 3.1 8B Instant und Llama 3.3 70B Versatile am 16. August 2026 außer Betrieb genommen. AirOps ordnet betroffene Auswahlen entsprechend 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 im Picker aus. Wenn ein bestehender Workflow ein veraltetes Modell verwendet, bleibt das ausgewählte Modell sichtbar, damit Sie die Änderung überprüfen können. AirOps kann die Auswahl beim Laden des Workflows automatisch auf ein unterstütztes Modell aktualisieren. Wenn auch ein Ersatzmodell veraltet ist, folgt AirOps der Ersetzungskette zu einem unterstützten Modell. Überprüfen Sie das ausgewählte Modell und testen Sie den Workflow nach einer automatischen Aktualisierung. Verhalten, Kosten und unterstützte Einstellungen des Modells können sich zwischen Versionen ändern. ### Geplante Modellersetzungen Der konfigurierte Ersetzungsplan 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 3.1 Pro | 20. Oktober 2026 | Das konfigurierte Entfernungsdatum von Claude Opus 4.1 war der 5. August 2026; der Ersatz ist Claude Opus 4.8. Testen Sie betroffene Workflows mit dem Ersatzmodell, bevor Sie sie in großem Umfang ausführen. ## Web-Suchfunktionen Mehrere Modelle unterstützen Web-Recherche und können dadurch während der Generierung auf aktuelle Informationen zugreifen: **OpenAI:** GPT-6 Astra, GPT-6.1 Sol, GPT-6 Sol, GPT-6 Luna, GPT-5, GPT-5.2, GPT-5.4, GPT-5.4 Mini, GPT-5.5, GPT-5.6 Sol, GPT-5.6 Terra, GPT-5.6 Luna und O3 unterstützen Web-Recherche, wenn sie im Prompt-LLM-Schritt aktiviert ist. **Anthropic:** Aktuelle Claude-Modelle unterstützen Web-Recherche. Die Verfügbarkeit von Web Fetch hängt vom ausgewählten Modell ab. Claude Opus 5.5 und Opus 5 unterstützen **Web Research**, aber nicht **Web Fetch**. **Google:** Aktuelle Gemini-Modelle unterstützen Web-Recherche über Google-Search-Anbindung. **Perplexity:** Sonar-Modelle beinhalten Webzugriff für Online-Recherche. ## Wie viel kostet der Betrieb? Die Kosten für den Betrieb eines Modells hängen von der Anzahl der Eingabe- und Ausgabe-Tokens ab. ### Token-Schätzung **Eingabe-Tokens:** um die gesamten Eingabe-Tokens ungefähr zu bestimmen, kopieren und fügen Sie Ihre System-, Benutzer- und Assistenten-Prompts in [den OpenAI-Tokenizer](https://platform.openai.com/tokenizer) **Ausgabe-Tokens:** um die gesamten Ausgabe-Tokens ungefähr zu bestimmen, kopieren und fügen Sie Ihre Ausgabe in [den OpenAI-Tokenizer](https://platform.openai.com/tokenizer) ### Kosten-Schätzung **OpenAI:** teilen Sie die Eingabe- und Ausgabe-Tokens durch 1000; multiplizieren Sie dann mit den jeweiligen Kosten [basierend auf den OpenAI-Preisen](https://openai.com/pricing)\* **Anthropic:** teilen Sie die Eingabe- und Ausgabe-Tokens durch 1.000.000; multiplizieren Sie dann mit den jeweiligen Kosten [basierend auf den Anthropic-Preisen](https://www-cdn.anthropic.com/files/4zrzovbb/website/31021aea87c30ccaecbd2e966e49a03834bfd1d2.pdf)\* {% hint style="info" %} \*Dies sind die Kosten, wenn Sie [Ihren eigenen API-Schlüssel mitbringen](/docs/de/dein-workspace/settings/byo-key.md). Wenn Sie sich für AirOps-gehostete Modelle entscheiden, werden Ihnen [Aufgaben entsprechend Ihrer 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=&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.