Die Modelle im Überblick

Astra
Intelligenz auf dem neuesten Stand
Fragestellungen mit Interpretationsspielraum, eingehende Analysen und anspruchsvolle Arbeitsergebnisse.

GPT-6.1 Sol
Optimiert und leistungsstark
Komplexe Aufgaben, bei denen du auch Zeit und Kosten im Blick behalten musst.

GPT-6.1 Terra
Visuelles Reasoning und Computernutzung
Arbeitsabläufe am Bildschirm, prägnante Texte und gezielte Codekorrekturen.

Luna
Intelligent und effizient
Klar umrissene Aufgaben, Triage und häufig ausgeführte Automatisierungen
Verfügbarkeit, Tools, Einstellungen für den Reasoning-Aufwand und Nutzungslimits unterscheiden sich je nach Produkt und Modellversion. Einen Überblick findest du in der Liste der in ChatGPT verfügbaren Modelle oder im API-Modellkatalog.
Finde das passende Modell für deinen Arbeitsablauf
Wähle deinen Arbeitsbereich und deine Aufgabe aus, um eine Empfehlung zu erhalten.
Wann sich GPT-6.1 Terra anbietet
Probiere GPT-6.1 Terra aus, wenn du prägnante Texte auf Grundlage bereitgestellter Materialien schreiben, Aufgaben mit einem klar definierten Ergebnis am Computer erledigen oder Fehler in einem abgegrenzten Teil des Codes beheben möchtest. Gib klare Eingaben und Anforderungen vor und lege fest, wie sich das Ergebnis überprüfen lässt, etwa anhand gespeicherter Datensätze oder durch Regressionstests.
Vergleiche GPT-6.1 Terra mit GPT-6.1 Sol bei gleichen Eingaben und gleichem Reasoning-Aufwand. Beurteile bei Texten neben Richtigkeit und Länge auch, ob sie zur Zielgruppe passen, den gewünschten Ton treffen und nützliche Details enthalten. Prüfe bei der Computernutzung das gespeicherte Ergebnis und kontrolliere, ob der Abschlussbericht es korrekt wiedergibt.
Wann sich GPT-6.1 Sol anbietet
Ziehe GPT-6.1 Sol für komplexe Projekte in Betracht, bei denen die Kosten eine Rolle spielen. Beispiele sind eine Präsentation für den Vorstand auf Basis von Finanzergebnissen oder eine Website, die du anhand eines Produktbriefings erstellst. Vergleiche GPT-6.1 Sol und Astra bei derselben Aufgabe, um Qualität und Kosten gegeneinander abzuwägen.
Technische Daten und API-Preise findest du auf der API-Modellseite. Die Übersicht zur Verfügbarkeit in Codex und ChatGPT Work zeigt dir, ob du mit deinem ChatGPT-Plan Zugriff hast.
Modell und Reasoning-Aufwand auswählen
Luna ist unser kosteneffizientestes Modell. Astra ist unser leistungsstärkstes Modell und entspricht dem neuesten Stand der Technik. Wenn Kosten und Latenz für dich keine Rolle spielen, kannst du standardmäßig Astra verwenden. Möchtest du die Kosten senken oder die Latenz verringern, helfen dir die folgenden Empfehlungen bei der Wahl des passenden Modells und Reasoning-Aufwands.
Luna ist unser effizientestes Modell. Astra ist unser leistungsstärkstes Modell und entspricht dem neuesten Stand der Technik. Wenn du weder auf den Verbrauch noch auf die Bearbeitungsdauer einer Aufgabe achten musst, kannst du standardmäßig Astra verwenden. Möchtest du deinen Verbrauch optimieren, helfen dir die folgenden Empfehlungen bei der Wahl des passenden Modells und Reasoning-Aufwands.
Modell und Reasoning-Aufwand
-
Luna · Niedrig
Einzelne Details gezielt bearbeiten, klar umrissene Probleme lösen und einfache Aufgaben zur Datenextraktion erledigen.
-
Luna · Sehr hoch
Aktuelle Hintergrundinformationen aus mehreren Apps zusammentragen, Aufgaben priorisieren und Probleme unter klaren Vorgaben lösen.
-
GPT-6.1 Sol · Mittel
Komplexe technische Aufgaben bearbeiten und aufeinander abgestimmte Ergebnisse erstellen, die du voraussichtlich noch überarbeitest.
-
GPT-6.1 Sol · Sehr hoch
Arbeitsergebnisse bis ins Detail ausarbeiten, zusammenhängende visuelle Systeme gestalten und widersprüchliche Befunde gegeneinander abwägen, um Entscheidungen zu treffen.
-
Astra · Niedrig
Prägnante Texte schreiben und Inhalte anpassen, ohne Fakten oder Nuancen zu verlieren.
-
Astra · Mittel
Ambitionierte Projekte, die umfassenden Kontext, zuverlässige Interaktionen und vollständige Ergebnisse erfordern.
-
Astra · Sehr hoch
Anspruchsvolle Analysen durchführen und komplexe Ergebnisse ausarbeiten, die hohen Anforderungen genügen.
Modelle und Einstellungen ausprobieren
Die Empfehlungen auf dieser Seite sind ein Ausgangspunkt. Am besten findest du das passende Modell für deinen Arbeitsablauf, indem du verschiedene Modelle und Einstellungen für den Reasoning-Aufwand ausprobierst.
Stell dir zunächst die folgenden Fragen.
- Wie oft läuft dein Arbeitsablauf? Bei einer Automatisierung, die häufig läuft, summieren sich Verbrauch und Kosten schneller als bei einem gelegentlichen Projekt.
- Wie schnell brauchst du das Ergebnis? Wenn du auf das Ergebnis wartest, brauchst du möglicherweise eine schnellere Einstellung als bei einer Aufgabe, die über Nacht läuft.
- Wie möchtest du das Ergebnis verwenden? Ein Entwurf, den du selbst prüfst, muss oft weniger ausgearbeitet sein als ein Ergebnis, das du extern weitergibst.
- Wie wichtig ist die Qualität des Ergebnisses? Je nach Anwendungsfall oder Branche kann es sinnvoll sein, für eine höhere Qualität ein leistungsstärkeres Modell zu wählen.
Vergleiche die Ergebnisse möglichst mit denselben Eingaben. Behalte die Einstellung mit dem geringsten Aufwand bei, die deine Qualitätsanforderungen erfüllt.
Lege vor dem Modellvergleich deine Akzeptanzkriterien fest.
- Texte: Prüfe, ob alle erforderlichen Fakten und Einschränkungen enthalten sind und ob der Text zur Zielgruppe passt und den gewünschten Ton trifft. Lies beide Fassungen, bevor du entscheidest, ob die kürzere für dich nützlicher ist.
- Computernutzung: Öffne den betroffenen Datensatz oder die betroffene Seite erneut und überprüfe die gespeicherten Änderungen. Vergewissere dich, dass der Arbeitsablauf alle anderen Daten unverändert gelassen hat, und gleiche den Abschlussbericht mit dem tatsächlichen Ergebnis ab.
- Code und Benutzeroberflächen: Führe Regressionstests aus. Prüfe bei einer interaktiven Anwendung außerdem, wie sie auf dem Desktop und auf Mobilgeräten dargestellt wird.
Wiederhole den Vergleich mit mehreren repräsentativen Aufgaben. Bewerte die Qualität und miss die Bearbeitungszeit. Rechne dabei auch die Zeit ein, die du für die Prüfung oder Korrektur des Ergebnisses brauchst. Variiere anschließend den Reasoning-Aufwand bei gleichem Modell und gleichen Eingaben.