Reasoning Effort: Einstellungen von OpenAI und Anthropic

LLM-GrundlagenModelle und InferenzVeröffentlicht Aktualisiert Von Simon Budziak

Reasoning Effort ist eine Einstellung in der Anfrage, die einem Reasoning-Modell vorgibt, wie lange es vor der Antwort nachdenken soll. Niedriger Aufwand liefert schnellere, günstigere Antworten; hoher Aufwand verbraucht mehr Reasoning-Tokens für schwierigere Probleme. OpenAI nennt den Parameter reasoning.effort (reasoning_effort in Chat Completions), Anthropic output_config.effort, und jedes Modell akzeptiert nur eine eigene Auswahl an Stufen.

Welche Werte akzeptiert Reasoning Effort?

Jede API benennt die Einstellung anders und akzeptiert eigene Stufen.

Wo Parameter Stufen Standard Quelle
OpenAI API reasoning.effort (Responses), reasoning_effort (Chat Completions) Modellabhängig, möglich sind none, minimal, low, medium, high, xhigh, max Modellabhängig OpenAI-Leitfaden zu Reasoning, abgerufen am 14. November 2026
Anthropic API output_config.effort low, medium, high, xhigh, max medium bei Claude Opus 5.5 und Claude Haiku 5.5, high bei den meisten anderen Claude-Modellen Anthropic-Dokumentation zu Effort, abgerufen am 14. November 2026
Codex CLI Konfigurationsschlüssel model_reasoning_effort Abhängig vom gewählten Modell Auf der Konfigurationsseite nicht angegeben; im Session-Log prüfen erweiterte Codex-Konfiguration, abgerufen am 14. November 2026

GPT-6 Astra etwa antwortet auf none mit HTTP 400. Anthropic versteht Effort als Steuerung des Verhaltens, nicht als harte Token-Grenze. Außerdem ist es bei einem Reasoning-Modell eine eigene Stellschraube neben der Temperature.

Warum ist Reasoning Effort eine Entscheidung über Kosten und Latenz?

Jede höhere Stufe verbraucht bei jedem Aufruf mehr Denk-Tokens. OpenAI warnt, dass eine Antwort max_output_tokens erreichen kann, bevor überhaupt eine sichtbare Ausgabe entsteht: Eingabe und Reasoning werden berechnet, eine Antwort gibt es nicht. Empfohlen wird, zu Beginn mindestens 25.000 Tokens zu reservieren. Effort kauft Genauigkeit bei schwierigen Problemen und bei einfachen kaum etwas. Legen Sie ihn pro Aufgabe fest, nicht pro Anwendung, messen Sie, ob eine höhere Stufe das Ergebnis tatsächlich verändert, und lassen Sie Model Routing Modell und Effort gemeinsam wählen. Wartet ein Nutzer auf die Antwort, setzt Ihr Latenzbudget die Obergrenze, und der Fast Mode kann Geschwindigkeit zu einem höheren Preis kaufen; die Gesamtkosten gehören ins Reporting von AI FinOps.

Wie legen wir Reasoning Effort bei Soba Labs fest und prüfen ihn?

Wir geben den Effort bei jeder Anfrage ausdrücklich an, statt uns auf einen Standardwert zu verlassen. Der LLM-Judge, der unsere Pull Requests prüft, läuft auf medium, weil der Standardwert des Anbieters, seine höchste Stufe, bei einem großen Diff nie eine Antwort lieferte (die ganze Geschichte steht auf der Seite zum Inference Provider). Derselbe Aufruf trägt eine Ausgabegrenze von 10.000 Tokens und ein HTTP-Timeout von 400 Sekunden, und der umgebende Job bricht nach 10 Minuten ab.

Codex hat uns gelehrt, zu prüfen, was lief, nicht was wir gesendet haben. Ein nicht in Anführungszeichen gesetzter Effort-Override in der Codex-Kommandozeile führte ohne Warnung zu einem Lauf auf medium, während die Form als TOML-String in Anführungszeichen funktionierte. Auf der Seite zur erweiterten Konfiguration von Codex (abgerufen am 6. Oktober 2026) steht inzwischen, dass ein Wert, der sich nicht als TOML parsen lässt, als String behandelt wird, das Verhalten also zwischen Releases schwanken kann (siehe unser Beitrag zur Codex CLI, auf Englisch). Das Codex-Plugin, das wir aus Claude Code heraus nutzen, kannte in Version 1.0.5 (geprüft am 23. August 2026) beim Review-Befehl ein Modell-Flag, aber kein Effort-Flag. Deshalb erzwingen wir den hohen Effort, den unsere Reviews verwenden und den die Seite zum LLM Provider beschreibt, über den allgemeinen Task-Befehl. In beiden Fällen bestätigen wir Modell und Effort anhand des Sitzungsprotokolls, das Codex für jeden Durchlauf schreibt.

Niedriger Effort verändert auch das Prompting: Ein Modell mit niedrigem Effort repariert weniger durch Interpretation, deshalb schreiben wir API-Versionen, Enum-Werte und IDs wörtlich in den Prompt, statt es einen plausiblen Standardwert erfinden zu lassen.

Wo versagen Reasoning-Effort-Einstellungen stillschweigend?

Die OpenAI-SDK-Kompatibilitätsschicht von Anthropic ist ein dokumentierter Fall: Sie führt reasoning_effort als ignoriert auf und erklärt, nicht unterstützte Felder scheiterten meist stillschweigend, statt Fehler zurückzugeben (OpenAI SDK compatibility, abgerufen am 6. Oktober 2026). Eine Anfrage, die für eine OpenAI-kompatible API gebaut ist, kann also erfolgreich durchlaufen, während der gewählte Effort nichts bewirkt. Betrachten Sie Effort als nicht gesetzt, bis ein Log, eine Token-Zählung oder der eigene Nachweis des Anbieters zeigt, dass er angewendet wurde.

Mit AI-Unterstützung geschrieben und von Simon Budziak geprüft. Die Hinweise aus der Praxis stammen aus Systemen, die Soba Labs baut und betreibt.

Häufig gestellte Fragen

Was ist Reasoning Effort bei AI?

Es ist eine Einstellung in der API-Anfrage an ein Reasoning-Modell. Sie steuert, wie lange das Modell vor der Antwort nachdenkt, und tauscht Geschwindigkeit und Token-Kosten gegen Gründlichkeit bei schwierigen Problemen.

Ist Reasoning Effort dasselbe wie Temperature?

Nein. Die Temperature bestimmt, wie ein Modell unter den wahrscheinlichen nächsten Tokens auswählt. Reasoning Effort steuert, wie viel interne Arbeit das Modell leistet, bevor es überhaupt eine Antwort erzeugt.

Was bewirkt --reasoning-effort in einem Kommandozeilenwerkzeug?

Es reicht dieselbe Einstellung für diesen Lauf an das Modell weiter. In der Codex CLI entspricht dem der Konfigurationsschlüssel model_reasoning_effort, die verfügbaren Stufen hängen vom gewählten Modell ab, und das Sitzungsprotokoll zeigt verlässlich, welche Stufe tatsächlich lief.

Diese Seite zusammenfassen mit

Ihr Team schulen, damit es das selbst baut