GPT-6 Astra: Was die Reasoning-Stufen bedeuten

Was ist GPT-6 Astra?

Astra gehört zur GPT-6-Familie von OpenAI. In der Entwicklerdokumentation wird es als Modell mit der höchsten Intelligenz geführt („Highest intelligence“). Die Modell-ID lautet gpt-6-astra. Daneben nennt OpenAI unter anderem GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Sol und GPT-6 Luna. Luna gilt dort als das schnellste und günstigste Modell.

Was der Reasoning-Aufwand steuert

Der Reasoning-Aufwand legt fest, wie viel das Modell intern nachdenkt, bevor die sichtbare Antwort entsteht. Laut OpenAI führt mehr Aufwand zu gründlicherem Nachdenken und potenziell besseren Antworten. Weniger Aufwand begünstigt Tempo und einen geringeren Token-Verbrauch.

Die Denk-Tokens (Reasoning-Tokens) sind in der API nicht sichtbar. Sie belegen aber Platz im Kontextfenster und werden wie Ausgabe-Tokens abgerechnet. Je nach Aufgabe reicht die Spanne von wenigen Hundert bis zu mehreren Zehntausend Tokens.

Der Anbieter Elser AI ordnet in einem Beitrag vom 4. September 2026 ein, was der Aufwand nicht ist: Er steuere weder Schreibstil noch Zufälligkeit oder Textlänge und sei nicht mit der Temperatur gleichzusetzen. Eine höhere Stufe garantiere außerdem weder eine feste Antwortzeit noch automatisch ein besseres Ergebnis. Das ist die Einschätzung eines Drittanbieters, der dort auch seine eigene Plattform bewirbt.

Die Stufen im Überblick

Die OpenAI-Dokumentation kennt allgemein die Werte none, minimal, low, medium, high, xhigh und max. Welche davon ein Modell unterstützt, hängt vom Modell ab.

Bei GPT-6 Astra wird none nicht unterstützt. Wer den Wert trotzdem schickt, bekommt den Fehler HTTP 400. Das ist vor allem bei der Umstellung von anderen Modellen wichtig. OpenAI rät, stattdessen low zu verwenden. Die Modellseite listet die übrigen Astra-Stufen nicht einzeln auf und nennt für Astra keinen Standardwert. Elser AI nennt low, medium, high, xhigh und max.

So lassen sich die Stufen allgemein einordnen. Die Angaben stammen größtenteils aus der OpenAI-Dokumentation und gelten nicht speziell für Astra:

Gerade bei Code lohnt sich der Blick nach oben: OpenAI nennt für medium agentisches Coding, für high komplexes Debugging und für xhigh anspruchsvolle Coding-Abläufe. Eine klar umrissene Änderung läuft laut OpenAI dagegen auch mit low, die Dokumentation spricht dort von ausführungsorientiertem Coding. Hoch einzustellen ist bei Programmieraufgaben also kein Selbstläufer, sondern hängt davon ab, wie verzweigt das Problem ist.

Gilt das auch für andere GPT-6-Modelle?

Nur zum Teil, denn die unterstützten Stufen hängen vom Modell ab. Die Übersicht fasst zusammen, was die OpenAI-Dokumentation für die API nennt. Wie die Auswahl in der ChatGPT-App aussieht, ist nicht Thema dieses Beitrags.

Wofür OpenAI die Modelle empfiehlt, lässt sich kurz fassen: Astra für die anspruchsvollste Denk-, Coding- und Profiarbeit, GPT-6.1 Sol für Leistung nahe an Astra bei geringeren Kosten, Terra für schnelle, effiziente Aufgaben mit Bildverständnis und natürlichem Schreiben, Luna für gezielte Aufgaben mit hohem Volumen. Eine Empfehlung speziell für Recherche nennt die Seite nicht. Als Einschätzung, nicht als Vorgabe von OpenAI: Wer viele einfache Rechercheschritte günstig abarbeiten will, probiert zuerst Luna oder Terra und holt Sol oder Astra erst für schwierige Fälle dazu. Ob das reicht, zeigt ein Test mit den eigenen Aufgaben.

Wer von einem Modell auf ein anderes wechselt, sollte vor allem auf none achten: Es geht bei Terra, GPT-6 Sol und Luna, bei Astra und GPT-6.1 Sol nicht. Zu Preisen und Neuerungen gibt es eigene Beiträge: GPT-6 Sol und Luna und GPT-6.1 Terra.

Warum nicht einfach immer max?

OpenAI empfiehlt kein dauerhaftes Maximum. Die Dokumentation beschreibt max als Stufe für die komplexesten Aufgaben, verlangt bei xhigh einen klar belegten Nutzen und rät Nutzern von xhigh, zu prüfen, ob max überhaupt bessere Ergebnisse liefert. Höherer Aufwand bedeutet laut OpenAI zusätzliche Wartezeit und Kosten.

Dass längeres Nachdenken nicht automatisch besser ist, zeigen auch Studien, allerdings an anderen Modellen. Die Arbeit „Inverse Scaling in Test-Time Compute“ (Gema und weitere, Juli 2025) konstruiert gezielt Aufgaben, bei denen längeres Reasoning die Genauigkeit verschlechtert. Dazu zählen einfaches Zählen mit ablenkenden Angaben, Regressionsaufgaben mit scheinbar passenden Merkmalen und Deduktionsaufgaben, bei denen mehrere Bedingungen im Blick bleiben müssen. Laut Abstract lassen sich Claude-Modelle bei längerem Nachdenken zunehmend von irrelevanten Informationen ablenken. Modelle der OpenAI-o-Serie widerstehen solchen Ablenkern zwar, passen sich aber zu stark an die Formulierung der Aufgabe an. Die Autoren raten, Modelle über verschiedene Reasoning-Längen hinweg zu testen.

Die Arbeit „Do NOT Think That Much for 2+3=?“ (Chen und weitere, Dezember 2024) beschreibt ein anderes Problem: Modelle im Stil von OpenAIs o1 verbrauchen schon für einfache Aufgaben unnötig viel Rechenaufwand. Die Autoren schlagen ein Verfahren vor, das diesen Aufwand senken soll, ohne die Genauigkeit zu verschlechtern.

Einordnung: Beide Arbeiten untersuchen andere Modelle als Astra, die erste mit bewusst konstruierten Aufgaben. Ob und wie stark der Effekt bei Astra auf der Stufe max auftritt, belegen sie nicht. Sie stützen aber die Empfehlung, die Stufe mit eigenen Aufgaben zu testen, statt grundsätzlich die höchste einzustellen. Dass ein Modell sich „in die Irre denken“ kann, ist damit für bestimmte Aufgaben belegt, als allgemeine Regel aber nicht.

Wie sich die passende Stufe finden lässt

Für GPT-6.1 Terra empfiehlt OpenAI, mit medium zu beginnen und nur dann höher zu gehen, wenn die bessere Qualität die zusätzliche Zeit und die zusätzlichen Tokens wert ist. Elser AI rät für Astra zum gleichen Vorgehen: mit medium starten, Routineaufgaben mit low testen und nur schwierige Fälle gezielt hochstufen.

Beim Vergleich zählt nicht nur die Genauigkeit. Elser AI weist darauf hin, auch Latenz und Kosten zu messen. Wer Aufgaben mit echten Folgen automatisiert, sollte die Ergebnisse laut Elser AI zusätzlich von Menschen prüfen lassen.

Technische Hinweise

Ein gekürztes Beispiel für den Anfragetext im JSON-Format. Der Wert unter effort legt die Stufe fest:

{
  "model": "gpt-6-astra",
  "reasoning": { "effort": "low" },
  "input": "Fasse den Text in drei Sätzen zusammen."
}

• Die Stufe wird über den Parameter reasoning.effort gesetzt.
• Funktionsaufrufe (Function Calling) laufen mit Astra nur über die Responses API, nicht über Chat Completions.
• Mit einem configuration_update-Element lässt sich der Aufwand mitten im Gespräch anpassen. Der ursprüngliche Prompt-Präfix bleibt dabei erhalten, was dem Prompt-Caching zugutekommt.
• Laut der allgemeinen Reasoning-Dokumentation kann eine Antwort wegen des Limits max_output_tokens unvollständig bleiben, bevor sichtbarer Text entsteht. OpenAI empfiehlt, anfangs mindestens 25.000 Tokens für Denken und Ausgabe einzuplanen.
• Der Pro-Modus (reasoning.mode: "pro") ist unabhängig vom Aufwandswert. Er bedeutet mehr Modellarbeit, höhere Latenz und mehr Tokens.

Kurz beantwortet

Welche Stufe ist bei Astra voreingestellt?

Die Modellseite nennt für Astra keinen Standardwert. Für GPT-6.1 Sol und GPT-6.1 Terra ist medium der Standard.

Kann ich bei Astra none verwenden?

Nein, das führt zu einem HTTP-400-Fehler. Nimm stattdessen low.

Bringt max immer die besten Ergebnisse?

Nicht zwingend. OpenAI verlangt bei den obersten Stufen einen belegten Nutzen, und Studien an anderen Modellen zeigen Aufgaben, bei denen längeres Nachdenken die Genauigkeit senkt. Ob sich max lohnt, zeigt nur ein Test mit den eigenen Aufgaben.

Wie finde ich heraus, welche Stufe zu meinen Aufgaben passt?

Nimm typische Aufgaben aus der eigenen Arbeit und lass sie auf zwei Stufen laufen, zum Beispiel medium und high, so wie OpenAI es für schwierige Probleme empfiehlt. Verglichen werden sollten die Qualität der Ergebnisse, die Wartezeit und der Tokenverbrauch. Reicht die niedrigere Stufe aus, spart sie Zeit und Kosten.

Warum bleibt eine Antwort manchmal leer oder unvollständig?

Denk-Tokens zählen zum Limit max_output_tokens. Ist das Limit zu knapp, kann die Antwort enden, bevor sichtbarer Text entsteht. OpenAI empfiehlt, am Anfang mindestens 25.000 Tokens für Denken und Ausgabe vorzusehen.

Gelten die Stufen auch für Sol, Terra und Luna?

Nur zum Teil. none geht bei Terra, GPT-6 Sol und Luna, bei Astra und GPT-6.1 Sol dagegen nicht. Die Übersicht oben zeigt, was OpenAI je Modell nennt.

Kann ich die Denkschritte des Modells sehen?

In der API nicht. Die Denk-Tokens sind nicht sichtbar, belegen aber Platz im Kontextfenster und werden wie Ausgabe-Tokens abgerechnet.

Wie viel mehr kostet ein höherer Aufwand?

Feste Zahlen nennt OpenAI dafür nicht. Höhere Stufen bedeuten zusätzliche Wartezeit und Kosten, weil mehr Denk-Tokens anfallen. Die Preise je Modell stehen in den Beiträgen zu Sol und Luna und zu Terra.

Stand der Recherche: 03.11.2026. Die Angaben beruhen auf den verlinkten Quellen, die beiden Studien habe ich anhand ihrer Zusammenfassungen eingeordnet. Kein eigener Praxistest.

Die Inhalte dieses Artikels dienen der allgemeinen Information. Trotz sorgfältiger Recherche übernimmt Nachschein Studios keine Gewähr für Aktualität, Vollständigkeit oder Richtigkeit der Angaben.