Modellauswahl

Dynamisches Model Routing

Wählen Sie unter der OpenAI-Modellauswahl einfach “auto”, um das dynamische Routing von CompanyGPT zu aktivieren. Das System analysiert Ihren Prompt und wählt automatisch das effizienteste OpenAI-Modell: Schnelle, kleinere Modelle für Standardfragen und High-End-Modelle für komplexe Analysen. So sparen Sie ohne manuellen Aufwand Zeit und Token-Kosten.

Faustregel:

Schnell & günstig → Mini / Flash / Nano / Haiku
Standard & zuverlässig → große Allround-Modelle
Komplex & kritisch → stärkste Modelle
EU / intern / Datenschutz → STACKIT-Modelle

OpenAI

GPT 5.5

Für: Coding, professionelle Wissensarbeit und komplexeste Aufgaben
Wann: Softwareentwicklung, strategische Entscheidungen, kritische Analysen, High-Stakes-Outputs
Warum: aktuellstes Flaggschiff (1M Kontext) mit der höchsten Gesamtleistung über alle Kategorien

GPT 5.4

Für: Coding und anspruchsvolle Analysen mit sehr langem Kontext
Wann: große Dokumentmengen, umfangreiche Reports, Long-Context-Workflows
Warum: günstiger als GPT 5.5 bei weiterhin starker Qualität (1M Kontext)

GPT 5.4 Mini

Für: hohe Qualität bei viel Durchsatz, Coding und autonome Agenten
Wann: Batch-Verarbeitung, skalierte Content-Workflows, Computer Use, Subagenten
Warum: stärkstes Mini-Modell (400K Kontext) mit Unterstützung für Computer Use und Subagents

GPT 5.3 Chat

Für: dynamische Echtzeit-Interaktion
Wann: Assistenz-Dialoge, iterative Abstimmungen, schnelle Rückfragen im Chat
Warum: chat-optimiert für flüssige Konversationen und gutes Kontext-Halten

GPT 5.2 Codex

Für: Softwareentwicklung und technische Umsetzung
Wann: Code schreiben, refaktorieren, debuggen, Tests erstellen
Warum: spezialisiert auf Entwicklungsaufgaben mit hoher Code-Qualität

GPT 5.2

Für: fordernde Analyse- und Strukturaufgaben
Wann: komplexe Auswertungen, schwierige Abwägungen, präzise Begründungen
Warum: starkes Reasoning-Modell für anspruchsvolle General-Workloads

GPT 5.2 Chat

Für: anspruchsvolle Dialoge mit hoher Zuverlässigkeit
Wann: beratungsnahe Gespräche, lange Interaktionen, präzise Follow-ups
Warum: auf Chat-Qualität optimiert und robuster bei Halluzinationen

GPT 5.1 Chat

Für: interaktive Dialoge und Agenten-Workflows
Wann: Support, flüssige Konversationen, striktes Befolgen von Anweisungen
Warum: chat-optimiert für natürliche Sprache und stabiles Kontextmanagement

GPT 5.1

Für: vielseitige General-Purpose-Aufgaben
Wann: strukturierte Texte, Analysen, Automationen ohne primären Chat-Fokus
Warum: ausgewogene Qualität, Geschwindigkeit und Zuverlässigkeit für den Alltag

GPT 5 Mini

Für: anspruchsvolle Aufgaben mit Effizienz
Wann: Coding, strukturierte Outputs, längere Texte
Warum: moderner und robuster als die GPT-4-Serie

GPT 5 Nano

Für: extrem einfache, schnelle Tasks
Wann: Autovervollständigung, kurze Antworten, Massentasks
Warum: extrem schnell und günstig, aber begrenzte Tiefe

O3 Mini

Für: Logik, Mathematik, Coding und schrittweises Reasoning
Wann: wenn sauberes Ableiten wichtiger ist als Stil oder Kreativität
Warum: stark auf präzise Problemlösung und rationale Herleitungen optimiert

GPT 4.1

Für: komplexe Analysen, saubere Argumentationen
Wann: Strategie, Konzepte, tiefgehende Erklärungen
Warum: präziser und stabiler als GPT 4o

GPT 4.1 Mini

Für: bessere Qualität bei weiterhin hoher Geschwindigkeit
Wann: wenn GPT 4o mini zu oberflächlich ist
Warum: guter Mittelweg aus Qualität und Performance

GPT Image 1.5

Für: Bildgenerierung
Wann: wenn Bilder generiert werden sollen
Warum: OpenAI’s Bildgenerierungsmodell

Google

Gemini 2.5 Flash

Für: maximale Geschwindigkeit
Wann: schnelles Nachfragen, Ideensammlung, Iterationen
Warum: sehr schnell, gut bei Überblick und Kontext

Gemini 2.5 Pro

Für: tiefes Denken und große Kontexte
Wann: komplexe Dokumente, Vergleiche, Analysen
Warum: Googles starkes Modell für hohe Qualität bei komplexen Aufgaben

Gemini Image Tools / Nano Banana

Für: Bildanalyse, Bildgenerierung, Bildbearbeitung
Wann: Text-zu-Bild-Generierung, Bildbearbeitung mit Prompts (Bild+Text) und Komposition mehrerer Bilder
Warum: Googles Bildmodelle, die in CompanyGPT integriert sind

Anthropic

Claude Opus 4.6

Für: höchste Komplexität und tiefgreifende Analysen
Wann: strategische Planung, extrem lange Kontexte (1M), schwerste Logikaufgaben
Warum: stärkstes in CompanyGPT verfügbares Anthropic-Modell für Agent Teams und Parallel-Workflows (höchste Kosten)

Claude Sonnet 4.6

Für: Programmieren, komplexe Textverarbeitung und anspruchsvolle Allround-Aufgaben (Empfohlen)
Wann: Softwareentwicklung, Code-Refactoring, tiefes Textverständnis
Warum: Der Sweetspot der Reihe. Opus-Klasse Performance zum Sonnet-Preis (1M Kontext)

Claude Haiku 4.5

Für: sehr schnelle Verarbeitung bei hoher logischer Präzision
Wann: große Datenmengen filtern, UI-basierte Chatbots, einfache bis mittlere Tasks in Masse
Warum: sehr schnell und kosteneffizient (weniger Reasoning als Sonnet/Opus)

STACKIT

Diese Open-Source-Modelle laufen in der STACKIT Cloud (EU/Deutschland) und eignen sich besonders für Workloads mit hohen Anforderungen an Datenschutz, Datenhoheit und interne Compliance.

Mistral Nemo Instruct

Für: schnelle, allgemeine Instruct-Aufgaben
Wann: interne Assistenten, Standard-QA, Zusammenfassungen mit EU-Hosting
Warum: effizienter Allrounder mit gutem Verhältnis aus Qualität, Latenz und Kosten

Qwen 3 VL Embedding 8B

Für: multimodale Embeddings (Text/Bild) für Suche und Retrieval
Wann: semantische Suche, RAG-Indizierung, Ähnlichkeitssuche über gemischte Daten
Warum: spezialisiert auf Vektor-Repräsentationen statt auf klassische Chat-Antworten

Qwen 3 VL 235B

Für: multimodale High-End-Analyse mit Bild- und Textverständnis
Wann: visuelle Dokumentanalyse, komplexe Bild-Text-Aufgaben, anspruchsvolle Inference
Warum: sehr leistungsstarkes VL-Modell für tieferes Verständnis multimodaler Inhalte

GPT OSS 20B

Für: leichtgewichtige Open-Source-Textaufgaben
Wann: kostensensitive interne Workflows mit kontrollierbarer Infrastruktur
Warum: kompakter OSS-Ansatz für solide Qualität bei geringeren Ressourcenanforderungen

Llama 3.1 8B Instruct

Für: schnelle Inferenz für Standard-Instruct-Use-Cases
Wann: Chatbots, Klassifikation, Extraktion und einfache Automationen
Warum: kleine Modellgröße mit hoher Effizienz und guter Produktionsreife

Llama 3.3 70B Instruct

Für: anspruchsvollere Generierung und Reasoning im EU-Stack
Wann: komplexere Unternehmensfragen, längere Antworten, bessere Detailtiefe
Warum: 70B-Klasse liefert deutlich mehr Qualität als kleine Modelle bei weiterhin OSS-Flexibilität

GPT OSS 120B

Für: höchste OSS-Qualität für komplexe Textaufgaben
Wann: wenn intern gehostete Top-Performance statt maximaler Geschwindigkeit gefragt ist
Warum: großes Open-Source-Modell für starke analytische und sprachliche Ergebnisse

E5 Mistral 7B Instruct

Für: hochwertige Text-Embeddings für Retrieval und Ranking
Wann: Vektorsuche, Dokument-Retrieval, Relevanzsortierung in RAG-Pipelines
Warum: bewährtes Embedding-Modell für präzise semantische Suchanwendungen

Gemma 3 27B

Für: vielseitige Instruct-Aufgaben mit guter Effizienz
Wann: interne Assistenten, Wissensarbeit, strukturierte Textproduktion
Warum: starker Mittelbau zwischen kleinen schnellen und großen teuren OSS-Modellen

Schnelle Entscheidungshilfe

„Ich will einfach eine sehr gute Antwort“ → GPT 5.1 / GPT 5 Mini / Claude Sonnet 4.6
„Es soll maximal schnell und günstig sein“ → GPT 5 Nano / GPT 5.4 Mini / Gemini 2.5 Flash / Claude Haiku 4.5
„Ich will programmieren / Code schreiben“ → GPT 5.2 Codex / Claude Sonnet 4.6
„Es ist kompliziert oder extrem wichtig“ → GPT 5.5 / GPT 5.4 / Claude Opus 4.6 / Gemini 2.5 Pro
„Datenschutz (EU/Deutschland) ist Pflicht“ → STACKIT-Modelle (z. B. Llama 3.3 70B Instruct)
„Ich arbeite im Chat (Dialog)“ → GPT 5.3 Chat / GPT 5.2 Chat / GPT 5.1 Chat
„Ich brauche Bilder“ → GPT Image 1.5 / Gemini Image Tools / Nano Banana