Reasoning Models

Philipp Schurr

7. Mai 2025

Was sind Reasoning Models?

Reasoning Models sind eine Art von Sprachmodellen bzw. LLMs, die in der Lage sind, komplexe Denkprozesse zu durchlaufen und präzise Antworten zu liefern. Dabei zerlegt ein Reasoning Model die Frage in einzelne Schritte und arbeitet sich durch eine „Gedankenkette“, um zu einer fundierteren Lösung zu gelangen. Diese Herangehensweise ermöglicht die Bewältigung anspruchsvoller Aufgaben, die Lösung komplexer Probleme oder die Erstellung mehrstufiger Planungen.

Im Gegensatz dazu liefert ein GPT-Modell in der Regel sofort eine Antwort, ohne diesen ausführlichen Denkprozess zu durchlaufen. Der Grund dafür ist, dass sie die wahrscheinlichste Wortabfolge berechnen, um eine Antwort zu generieren. Somit basieren diese Lösungen auf Mustern und statistischen Zusammenhängen der eingegebenen Daten.

Webinar: Künstliche Intelligenz – Grundlagen und Best Practices

Sie möchten gerne mehr zum Thema Künstliche Intelligenz erfahren und wie Ihr Unternehmen davon profitieren kann? In unserem Webinar fassen wir Ihnen die wichtigsten Aspekte zusammen!

Jetzt anmelden

Reasoning Tokens – Das steckt hinter einem Gedankengang von Reasoning Models

Die Funktionsweise von Reasoning-Modellen stützt vor allem auf Reasoning Tokens. Dabei handelt es sich um einzelne Gedankenschritte, die insgesamt eine Abfolge ergeben und in einem Gedankengang resultieren. Auf diese Weise verarbeitet und analysiert das Modell Anforderungen eines eingegangenen Prompts, sucht verschiedene Lösungsansätze zur Bearbeitung einer Aufgabe und gibt schließlich eine Antwort an Sie aus.

Ähnlich wie bei einer Blackbox bleiben diese Tokens bzw. Gedankengänge während der Konversation verborgen, sodass Sie auf diese Gedankengänge nicht direkt eingehen können. Stattdessen haben Sie nur Zugriff auf Ihre Eingabe und die Antworten des Modells. Das hat zur Folge, dass das Modell bei anschließenden Kommunikationsschritten neue Gedankengänge anstößt und Lösungen finden muss.

Reasoning Models und Reasoning Tokens im Beispiel

Ein Beispiel für die Funktionsweise von Reasoning Tokens kann anhand eines Dreisatzes erläutert werden: Angenommen, ein Unternehmen benötigt für den Bau eines Gebäudes 1000 kg Zement für eine Fläche von 20 Quadratmetern und das Modell soll die Zementmenge für 30 Quadratmeter berechnen.

Ein Reasoning Model unterteilt diesen Prozess in mehrere logische Schritte bzw. Tokens: Zuerst berechnet es den Zementbedarf pro Quadratmeter, indem es 1000 kg durch 20 teilt (also 50 kg pro Quadratmeter). Im nächsten Schritt multipliziert es diese Zahl mit der gewünschten Fläche von 30 Quadratmetern (50 kg * 30 = 1500 kg). Auf diese Weise wird die Lösung nicht sofort geliefert, sondern durch eine strukturierte Gedankenkette erstellt, die auf den verfügbaren Informationen basiert.

Training von Reasoning Models durch Reinforcement Learning

Reinforcement Learning (RL) ist ein Lernprinzip, bei dem ein Modell durch Trial & Error herausfindet, welche Entscheidungen zu richtigen oder falschen Ergebnissen führen. Hierfür werden dem Modell Aufgaben gegeben, für die es zahlreiche Szenarien bzw. Lösungswege generiert. Hinsichtlich des oben angegebenen Beispiels könnte das Modell bspw. viele verschiedene Rechenschritte durchgehen, um zu dem gewünschten Ergebnis zu kommen.

Zur Kontrolle dieser Lösungen verfügt das Modell über eine Bewertungsinstanz – der sogenannte “Grader”, der überprüft, ob diese Lösungen richtig oder falsch sind. Ist eine Lösung korrekt, erhält das Modell eine Belohnung. Diese Belohnung dient als Rückmeldung, die dem Modell hilft, zu erkennen, welche Lösungswege in dem Fall am besten sind.

Für die Bewertungsgrundlage des Graders dienen hochqualitative Trainingsdaten, die ausschließlich korrekte Antworten enthalten. Dies können z. B. mathematische Aufgaben oder Codierungsprobleme mit eindeutig verifizierten Lösungen oder klassifizierte Bilder sein, ähnlich wie beim Supervised Learning.

Reinforcement Learning sorgt dafür, dass das Modell bevorzugt die Denkprozesse stärkt, die in der Vergangenheit zu korrekten Ergebnissen geführt haben. Mit der Zeit werden diese erfolgreichen Lösungsstrategien verstärkt, während weniger erfolgreiche Methoden seltener verwendet werden. So entsteht ein fortlaufender Optimierungsprozess, bei dem das Modell seine Entscheidungen immer gezielter und effizienter trifft.

Reasoning Models und GPT-Models im Vergleich

Reasoning-Modelle zeichnen sich durch einen hohen Denkaufwand aus und sind besonders effektiv bei der Bearbeitung komplexer Aufgaben. Sie bieten ein hohes Maß an Genauigkeit und Präzision und eignen sich daher hervorragend für die Lösung anspruchsvoller Probleme. Aus diesem Grund kommen sie bevorzugt in Situationen zum Einsatz, die normalerweise Expertenwissen erfordern, und fungieren als zuverlässige Entscheidungsträger, die mit Unsicherheiten und komplexen Problemen umgehen können.

Im Gegensatz dazu sind GPT-Modelle darauf ausgelegt, direkte und geradlinige Aufgaben schnell zu erledigen. Sie bieten kosteneffiziente Lösungen durch geringe Latenzzeiten und eignen sich besonders für explizit definierte Aufgaben. Darüber hinaus sind sie in der Lage, schnelle Antworten zu liefern, was sie zu einer bevorzugten Wahl für Aufgaben macht, bei denen Geschwindigkeit und Kosten eine zentrale Rolle spielen.

Im Vergleich weisen Reasoning-Modelle und GPT-Modelle wesentliche Unterschiede in ihrer Funktionsweise und ihren Anwendungsbereichen auf. Dabei ist jedoch zu beachten, dass keines der beiden Modelle besser ist, sondern unterschiedliche Stärken aufweist. Darum ist ein kombinierter Einsatz beider Lösungen sinnvoll. Dabei kann z. B. ein Reasoning-Modell ein Problem analysieren und eine Problemlösungsstrategie erarbeiten, die ein GPT-Modell anschließend schnell und kostengünstig umsetzt.

Daneben ist es wichtig zu beachten, dass Sie den vollen Nutzen dieser Tools erst dann erreichen, wenn Sie über verlässliche Daten verfügen. Dies ist eine der wichtigsten Grundlagen, um nicht nur Ihre digitale Systemlandschaft optimal zu nutzen, sondern ebenfalls neue Technologien wie Reasoning Models produktiv einzusetzen.

E-Book: Künstliche Intelligenz für Entscheider

Künstliche Intelligenz für Unternehmen: Ein Ratgeber für Entscheider

Jetzt herunterladen

E-Book: Künstliche Intelligenz für Entscheider

×

Fazit

Reasoning Models oder Reasoning-Modelle bieten eine fortschrittliche Herangehensweise zur Lösung komplexer Aufgaben, da sie Probleme in strukturierte Gedankenschritte unterteilen und bearbeiten. Diese Gedankengänge unterteilen sich in sogenannten Reasoning Tokens, die jeweilige Gedankenschritte repräsentieren. Im Vergleich zu GPT-Modellen, die sofortige Antworten liefern, zeichnen sich Reasoning Models durch ihre tiefere und genauere Problemlösungsfähigkeit aus. Allerdings erfordern sie mehr Rechenaufwand als GPT-Modelle, weshalb ein Einsatz beider Modelle sinnvoll ist.

Haben Sie Fragen zum Thema oder Interesse am Einsatz von Reasoning Models? Dann kommen Sie gerne auf uns zu.

FAQ

Was sind Reasoning-Modelle?

Reasoning-Modelle sind eine spezielle Art von Sprachmodellen, die in der Lage sind, komplexe Denkprozesse durchzuführen. Sie zerlegen Aufgaben in einzelne Schritte und nutzen sogenannte Reasoning Tokens bzw. Gedankenschritte, um eine präzisere und fundiertere Lösung zu finden. Im Gegensatz zu anderen KI-Modellen liefern sie nicht sofort eine Antwort, sondern gehen durch eine strukturierte „Gedankenkette“, um das Problem zu lösen.

In welchen Bereichen kommen Reasoning-Modelle zum Einsatz?

Reasoning-Modelle sind besonders hilfreich in Bereichen, die komplexe und mehrstufige Problemlösungen erfordern, wie zum Beispiel Mathematik, Ingenieurwesen, Naturwissenschaften oder Recht. Sie sind auch bei der Lösung von Aufgaben nützlich, die Expertenwissen und tiefere Analysen erfordern, da sie mit Unsicherheiten und komplexen Szenarien umgehen können.

Wie unterscheiden sich Reasoning-Modelle von GPT-Modellen?

Während GPT-Modelle auf der Berechnung der wahrscheinlichsten Wortabfolge basieren und schnelle Antworten liefern, analysieren Reasoning Models das Problem in mehreren Schritten und liefern dadurch genauere Lösungen. GPT-Modelle sind effizient für schnelle, einfache Aufgaben, während Reasoning-Modelle bei komplexeren, mehrstufigen Aufgaben überlegen sind.