> ## Documentation Index > Fetch the complete documentation index at: https://docs.localmind.ai/llms.txt > Use this file to discover all available pages before exploring further. # Modellauswahl > Verstehe die verschiedenen Modellkategorien und wähle das richtige Modell für deinen Anwendungsfall. Nicht jede Aufgabe braucht das leistungsstärkste (und teuerste) Modell. Die richtige Modellauswahl spart Kosten, reduziert Latenz und kann sogar die Qualität verbessern – weil ein spezialisierteres Modell für einfache Aufgaben oft bessere Ergebnisse liefert als ein Alleskönner. **Modellzugriff hängt von deiner Rolle ab.** Seit v1.0.0-beta.5 verwalten Org-Admins über [Rollenvorlagen](/settings/instance/Role-Templates) und [Space-Rollen](/settings/organization/Space-Rollen) granular, welche Basismodelle dir zur Verfügung stehen. Wenn ein Modell fehlt, das du erwartest, prüfe deine Rollen-Einstellungen oder frage deinen Admin. ## Modellkategorien **Für:** Komplexe Aufgaben, Coding, kreatives Schreiben, nuancierte Analyse Diese Modelle bieten die höchste Qualität und das breiteste Fähigkeitsspektrum. Sie verstehen Nuancen, beherrschen komplexe Instruktionen und liefern die besten Ergebnisse bei anspruchsvollen Aufgaben. | Eigenschaft | Wert | | --------------- | ----------------- | | Qualität | Sehr hoch | | Geschwindigkeit | Mittel | | Kosten | Hoch | | Kontextfenster | 128k – 2M+ Tokens | **Typische Anwendung:** Vertragsanalyse, Strategieberatung, Code-Review, kreative Texte **Für:** Chatbots, einfache Aufgaben, Zusammenfassungen, hohe Geschwindigkeit Optimiert für Geschwindigkeit und Kosteneffizienz. Bei einfachen bis mittleren Aufgaben oft gleichwertig mit Flagship-Modellen – aber deutlich schneller und günstiger. | Eigenschaft | Wert | | --------------- | ---------------- | | Qualität | Mittel bis hoch | | Geschwindigkeit | Hoch | | Kosten | Niedrig | | Kontextfenster | 32k – 1M+ Tokens | **Typische Anwendung:** Kundensupport-Chatbot, E-Mail-Entwürfe, Datenklassifikation **Für:** Mathematik, Logik, wissenschaftliche Analyse, harte Problemlösung Diese Modelle "denken nach" (Chain-of-Thought) bevor sie antworten. Sie zerlegen komplexe Probleme in Schritte und erreichen dadurch bessere Ergebnisse bei logischen Aufgaben. | Eigenschaft | Wert | | ---------------- | ------------------------ | | Qualität (Logik) | Sehr hoch | | Geschwindigkeit | Niedrig (wegen Denkzeit) | | Kosten | Hoch | | Kontextfenster | 32k – 128k Tokens | **Typische Anwendung:** Datenanalyse, mathematische Probleme, strategische Planung **Für:** Aktuelle Informationen, Websuche, lange Kontexte Modelle mit spezialisierten Fähigkeiten wie Internetzugriff oder besonders große Kontextfenster. | Eigenschaft | Wert | | --------------- | ------------------------------------- | | Qualität | Mittel bis hoch | | Geschwindigkeit | Variabel | | Kosten | Mittel | | Besonderheit | Websuche, Zitate, sehr lange Kontexte | **Typische Anwendung:** Marktanalyse, Recherche zu aktuellen Nachrichten **Für:** Semantische Suche, RAG, Klassifizierung Wandeln Text in Vektoren (numerische Repräsentationen) um. Nicht für Chat geeignet, sondern als Grundlage für die Hybrid Search und RAG-Funktionalität. | Eigenschaft | Wert | | --------------- | ----------------- | | Einsatzzweck | Suche, nicht Chat | | Geschwindigkeit | Sehr hoch | | Kosten | Sehr niedrig | | Sprachen | Multilingual | **Typische Anwendung:** Dokumentensuche, Wissensbasis, automatische Kategorisierung ## Entscheidungsbaum: Das richtige Modell finden * **Einfache Aufgabe** (Zusammenfassung, Klassifikation, kurze Antwort) → **Effizienz-Modell** * **Komplexe Aufgabe** (Analyse, Kreativ, Multi-Step) → Weiter zu Schritt 2 * **Semantische Suche / RAG** → **Embedding-Modell** * **Ja** (Mathe, Logik, schrittweise Analyse) → **Reasoning-Modell** * **Nein** (kreatives Schreiben, Recherche, Zusammenfassung) → Weiter zu Schritt 3 * **Ja** (Websuche, aktuelle Nachrichten) → **Search-Modell** * **Nein** → **Flagship-Modell** Teste deinen Prompt mit 2–3 Modellen und vergleiche Qualität, Geschwindigkeit und Kosten. Oft reicht ein günstigeres Modell aus. ## Modelle auf der Localmind-Plattform Modelle werden nicht pro Anfrage gewählt, sondern dem Space über die **[Library](/library/overview)** bereitgestellt: **Library → Basismodell → „Zu Spaces hinzufügen"** (als Verknüpfung oder Kopie). Alternativ kann ein Basismodell org-weit über seine **Verteilungseinstellungen** verteilt werden — diese greifen jedoch nur für **neu erstellte** Spaces, nicht rückwirkend. Erst nach der Bereitstellung ist das Modell im Modell-Dropdown deiner Agenten und Apps wählbar. Mehr zu Reasoning- und Thinking-Modellen unter [Reasoning und Thinking](/arbeiten-mit-ki/Reasoning-und-Thinking). Die verfügbaren Modelle hängen von der Konfiguration deiner Organisation ab. Dein Administrator legt fest, welche Modelle zugänglich sind. In den Org-Einstellungen unter **KI-Konfiguration → Agenten** bzw. **KI-Konfiguration → Chats** wird **nicht** das Dialog- oder App-Modell festgelegt: **Agenten** regelt dort Feldlimits, **Chats** das Modell für die automatische Benennung von Konversationen. Welches Modell dein Agent nutzt, bestimmst du über die Library-Bereitstellung und die Modell-Auswahl in der Agent-Konfiguration. Nutze für Extraktions- und Parsing-Aufgaben **Opus 4.8** oder **Sonnet 5**. Das veraltete **Opus 4.7** bricht solche Aufgaben still ab und liefert leere Ergebnisse („Keine Ergebnisse") — ein Modell-Artefakt, kein Plattform-Fehler. ## Praxistipps ### Kosten vs. Qualität optimieren | Strategie | Erklärung | | --------------------------- | ------------------------------------------------------------------------------------------------------------------------------ | | **Routing** | Einfache Fragen → Speed-Modell, komplexe Fragen → Flagship-Modell | | **Zusammenfassung zuerst** | Lange Dokumente erst mit einem günstigen Modell zusammenfassen, dann mit einem starken Modell analysieren | | **Few-Shot statt Flagship** | Oft bringt ein günstigeres Modell mit guten Beispielen bessere Ergebnisse als ein teures Modell ohne Beispiele | | **Kontextfenster beachten** | Wähle ein Modell, dessen Kontextfenster zu deiner Datenmenge passt – zu klein = Informationsverlust, zu groß = unnötige Kosten | ### Kontextfenster verstehen Das Kontextfenster definiert, wie viel Text das Modell auf einmal verarbeiten kann (gemessen in Tokens). Mehr dazu unter [Kontextfenster](/arbeiten-mit-ki/Context-Fenster). | Dateigröße | Geschätzter Token-Bedarf | Mindestgröße Kontextfenster | | ------------------- | ------------------------ | --------------------------- | | 1 Seite Text | \~500 Tokens | 4k reicht | | 10-Seiten-Bericht | \~5.000 Tokens | 8k reicht | | 50-Seiten-Dokument | \~25.000 Tokens | 32k empfohlen | | 200-Seiten-Handbuch | \~100.000 Tokens | 128k+ nötig | ## Nächste Schritte Wie Reasoning-Modelle funktionieren und wann du sie einsetzt. Tokens, Kontextfenster und praktische Tipps.