KI-Wissen | HS IT-Consulting

AgentenAlle

Agentenauftrag mit Tool-Grenzen

Agentenaufgabe sicher und nachvollziehbar definieren

Zielmodell: Alle

Ziel: {{ZIEL}}
Verfügbare Werkzeuge: {{TOOLS}}
Erlaubte Aktionen: {{ERLAUBT}}
Nicht erlaubte Aktionen: {{VERBOTEN}}
Vor folgenden Aktionen Rückfrage einholen: {{BESTÄTIGUNG}}
Erfolgskriterien: {{KRITERIEN}}
Arbeitsweise:
- zuerst Zustand prüfen
- kleinstmögliche sichere Aktion wählen
- Ergebnisse verifizieren
- keine irreversiblen Aktionen ohne Freigabe
- am Ende Änderungen und offene Punkte zusammenfassen.

VariablenZIEL, TOOLS, ERLAUBT, VERBOTEN, BESTÄTIGUNG, KRITERIEN

Empfohlene Konfiguration{"reasoning":"medium/high","tool_choice":"auto oder eingeschränkt","max_tool_calls":"so niedrig wie sinnvoll"}

Besonders bei Schreibzugriffen Berechtigungen und Bestätigungsschritte definieren.

AllgemeinAlle

Universeller Arbeitsauftrag

Strukturierter Prompt für verlässliche Business-Aufgaben

Zielmodell: Alle

Rolle: Sie sind {{ROLLE}}.
Ziel: {{ZIEL}}
Kontext: {{KONTEXT}}
Eingaben: {{EINGABEN}}
Anforderungen:
- {{ANFORDERUNG_1}}
- {{ANFORDERUNG_2}}
- Prüfen Sie Widersprüche und fehlende Informationen.
Ausgabeformat: {{AUSGABEFORMAT}}
Qualitätskriterien: {{KRITERIEN}}
Wenn eine Annahme nötig ist, kennzeichnen Sie sie ausdrücklich.

VariablenROLLE, ZIEL, KONTEXT, EINGABEN, ANFORDERUNG_1/2, AUSGABEFORMAT, KRITERIEN

Empfohlene Konfiguration

{"reasoning":"medium bei komplexen Aufgaben; sonst niedrig/Standard","temperature":"modellabhängig; bei modernen Reasoning-Modellen Standardwerte bevorzugen"}

Gut als Basisvorlage für wiederkehrende Unternehmensaufgaben.

Automatische Modellkonfiguration~anthropic

Auto-Konfiguration · ~anthropic

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten ~anthropic-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "~anthropic",
    "known_models": 4,
    "max_context_tokens": 1000000,
    "max_output_tokens_observed": 128000,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_completion_tokens",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "stop",
        "structured_outputs",
        "tool_choice",
        "tools",
        "verbosity"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Anthropic: Claude Fable Latest, Anthropic: Claude Haiku Latest, Anthropic: Claude Opus Latest, Anthropic: Claude Sonnet Latest

Automatische Modellkonfiguration~deepseek

Auto-Konfiguration · ~deepseek

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten ~deepseek-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "~deepseek",
    "known_models": 3,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_completion_tokens",
        "max_tokens",
        "min_p",
        "parallel_tool_calls",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: DeepSeek: DeepSeek Flash Latest, DeepSeek: DeepSeek Pro Latest, DeepSeek: DeepSeek V4 Flash Latest

Automatische Modellkonfiguration~google

Auto-Konfiguration · ~google

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten ~google-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "~google",
    "known_models": 2,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Google: Gemini Flash Latest, Google: Gemini Pro Latest

Automatische Modellkonfiguration~moonshotai

Auto-Konfiguration · ~moonshotai

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten ~moonshotai-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "~moonshotai",
    "known_models": 1,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: MoonshotAI: Kimi Latest

Automatische Modellkonfiguration~openai

Auto-Konfiguration · ~openai

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten ~openai-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "~openai",
    "known_models": 5,
    "max_context_tokens": 1050000,
    "max_output_tokens_observed": 128000,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_completion_tokens",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "seed",
        "structured_outputs",
        "tool_choice",
        "tools",
        "verbosity"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: OpenAI: GPT Astra Latest, OpenAI: GPT Luna Latest, OpenAI: GPT Sol Latest, OpenAI: GPT Terra Latest, OpenAI: GPT Mini Latest

Automatische Modellkonfiguration~unbiased

Auto-Konfiguration · ~unbiased

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten ~unbiased-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "~unbiased",
    "known_models": 1,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 131072,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "max_tokens",
        "temperature",
        "tool_choice",
        "tools",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Pareto Latest

Automatische Modellkonfiguration~x Ai

Auto-Konfiguration · ~x Ai

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten ~x Ai-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "~x Ai",
    "known_models": 1,
    "max_context_tokens": 500000,
    "max_output_tokens_observed": 450000,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "logprobs",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "seed",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: xAI: Grok Latest

Automatische Modellkonfiguration~z Ai

Auto-Konfiguration · ~z Ai

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten ~z Ai-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "~z Ai",
    "known_models": 2,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "parallel_tool_calls",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Z.ai: GLM Flash Latest, Z.ai: GLM Latest

Automatische ModellkonfigurationAion Labs

Auto-Konfiguration · Aion Labs

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Aion Labs-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Aion Labs",
    "known_models": 6,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 32768,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "temperature",
        "tool_choice",
        "tools",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: AionLabs: Aion 3.5, AionLabs: Aion 3.5 Mini, AionLabs: Aion-2.0, AionLabs: Aion-3.0, AionLabs: Aion-3.0-Mini, AionLabs: Aion-RP 1.0 (8B)

Automatische ModellkonfigurationAmazon

Auto-Konfiguration · Amazon

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Amazon-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Amazon",
    "known_models": 5,
    "max_context_tokens": 1000000,
    "max_output_tokens_observed": 65535,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_tokens",
        "reasoning",
        "stop",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Amazon: Nova 2 Lite, Amazon: Nova Premier 1.0, Amazon: Nova Lite 1.0, Amazon: Nova Pro 1.0, Amazon: Nova Micro 1.0

Automatische ModellkonfigurationAnthracite Org

Auto-Konfiguration · Anthracite Org

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Anthracite Org-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Anthracite Org",
    "known_models": 1,
    "max_context_tokens": 32768,
    "max_output_tokens_observed": 4096,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Magnum v4 72B

Automatische ModellkonfigurationAnthropic

Auto-Konfiguration · Anthropic

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Anthropic-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Anthropic",
    "known_models": 33,
    "max_context_tokens": 1000000,
    "max_output_tokens_observed": 128000,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_completion_tokens",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p",
        "verbosity"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Anthropic: Claude Fable 5, Anthropic: Claude Fable 5 (batch), Anthropic: Claude Fable 5.1, Anthropic: Claude Fable 5.1 (batch), Anthropic: Claude Haiku 5.5, Anthropic: Claude Haiku 5.5 (batch), Anthropic: Claude Opus 4.6, Anthropic: Claude Opus 4.6 (batch) …

Automatische ModellkonfigurationApodex

Auto-Konfiguration · Apodex

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Apodex-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Apodex",
    "known_models": 1,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 235929,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "max_tokens",
        "presence_penalty",
        "reasoning",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Apodex: Apodex 1.1 Mini (free)

Automatische ModellkonfigurationArcee Ai

Auto-Konfiguration · Arcee Ai

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Arcee Ai-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Arcee Ai",
    "known_models": 1,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 80000,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_tokens",
        "reasoning",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Arcee AI: Trinity Large Thinking

Automatische ModellkonfigurationBaidu

Auto-Konfiguration · Baidu

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Baidu-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Baidu",
    "known_models": 1,
    "max_context_tokens": 123000,
    "max_output_tokens_observed": 16000,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "max_tokens",
        "presence_penalty",
        "reasoning",
        "repetition_penalty",
        "seed",
        "stop",
        "temperature",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Baidu: ERNIE 4.5 VL 424B A47B

Automatische ModellkonfigurationByteDance

Auto-Konfiguration · ByteDance

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten ByteDance-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "ByteDance",
    "known_models": 1,
    "max_context_tokens": 128000,
    "max_output_tokens_observed": 2048,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "presence_penalty",
        "repetition_penalty",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: ByteDance: UI-TARS 7B

Automatische ModellkonfigurationBytedance Seed

Auto-Konfiguration · Bytedance Seed

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Bytedance Seed-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Bytedance Seed",
    "known_models": 6,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 235929,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: ByteDance Seed: Seed 1.6, ByteDance Seed: Seed 1.6 Flash, ByteDance Seed: Seed 2.1 Turbo, ByteDance Seed: Seed-2.0-Code, ByteDance Seed: Seed-2.0-Lite, ByteDance Seed: Seed-2.0-Mini

Automatische ModellkonfigurationCognitivecomputations

Auto-Konfiguration · Cognitivecomputations

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Cognitivecomputations-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Cognitivecomputations",
    "known_models": 1,
    "max_context_tokens": 128000,
    "max_output_tokens_observed": 8192,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "max_tokens",
        "presence_penalty",
        "response_format",
        "stop",
        "temperature",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Venice: Uncensored

Automatische ModellkonfigurationCohere

Auto-Konfiguration · Cohere

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Cohere-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Cohere",
    "known_models": 6,
    "max_context_tokens": 256000,
    "max_output_tokens_observed": 64000,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "max_tokens",
        "presence_penalty",
        "reasoning",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Cohere: Command A, Cohere: North Mini Code (free), Cohere: Command A+, Cohere: Command R (08-2024), Cohere: Command R+ (08-2024), Cohere: Command R7B (12-2024)

Automatische ModellkonfigurationDeepSeek

Auto-Konfiguration · DeepSeek

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten DeepSeek-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "DeepSeek",
    "known_models": 21,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_completion_tokens",
        "max_tokens",
        "min_p",
        "parallel_tool_calls",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: DeepSeek: DeepSeek V4 Flash 0423, DeepSeek: DeepSeek V4 Flash 0731, DeepSeek: DeepSeek V4 Flash 0731 (batch), DeepSeek: DeepSeek V4 Flash 0731 (free), DeepSeek: DeepSeek V4 Flash Vision Exp, DeepSeek: DeepSeek V4 Flash Vision Exp (batch), DeepSeek: DeepSeek V4 Pro 0423, DeepSeek: DeepSeek V4 Pro 0813 …

Automatische ModellkonfigurationDots Studio

Auto-Konfiguration · Dots Studio

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Dots Studio-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Dots Studio",
    "known_models": 1,
    "max_context_tokens": 512000,
    "max_output_tokens_observed": 460800,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_tokens",
        "reasoning",
        "response_format",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Dots Studio: Dots3-Note Preview (free)

Automatische ModellkonfigurationElorian

Auto-Konfiguration · Elorian

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Elorian-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Elorian",
    "known_models": 1,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 256000,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "repetition_penalty",
        "response_format",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Elorian: Glimpse

Automatische ModellkonfigurationFireworks

Auto-Konfiguration · Fireworks

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Fireworks-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Fireworks",
    "known_models": 1,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Fireworks: Ember-1

Automatische ModellkonfigurationGoogle

Auto-Konfiguration · Google

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Google-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Google",
    "known_models": 44,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Audio",
        "Bildgenerierung",
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Google: Gemini 2.5 Flash, Google: Gemini 2.5 Flash (batch), Google: Gemini 2.5 Flash Lite, Google: Gemini 2.5 Flash Lite (batch), Google: Gemini 2.5 Pro, Google: Gemini 2.5 Pro (batch), Google: Gemini 2.5 Pro Preview 06-05, Google: Gemini 3 Flash Preview …

Automatische ModellkonfigurationGryphe

Auto-Konfiguration · Gryphe

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Gryphe-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Gryphe",
    "known_models": 1,
    "max_context_tokens": 8192,
    "max_output_tokens_observed": 3686,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: MythoMax 13B

Automatische ModellkonfigurationIbm Granite

Auto-Konfiguration · Ibm Granite

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Ibm Granite-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Ibm Granite",
    "known_models": 2,
    "max_context_tokens": 131072,
    "max_output_tokens_observed": 117964,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: IBM: Granite 4.2 8B, IBM: Granite 4.0 Micro

Automatische ModellkonfigurationInception

Auto-Konfiguration · Inception

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Inception-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Inception",
    "known_models": 4,
    "max_context_tokens": 1000000,
    "max_output_tokens_observed": 131072,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Inception: Mercury 3, Inception: Mercury 2.5, Inception: Mercury 2.5 Preview, Inception: Mercury 2

Automatische ModellkonfigurationInclusionai

Auto-Konfiguration · Inclusionai

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Inclusionai-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Inclusionai",
    "known_models": 8,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 235929,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: inclusionAI: Ling 3.0 Flash, inclusionAI: Ling 3.0 Flash Fin, inclusionAI: Ling 3.0 Flash Fin (free), inclusionAI: Ling 3.0 Flash Sante, inclusionAI: Ling 3.0 Flash Sante (free), inclusionAI: Ling 3.0 Flash VL (free), inclusionAI: Ling 3.1 Flash, inclusionAI: Ling 3.0 Flash VL

Automatische ModellkonfigurationInference Net

Auto-Konfiguration · Inference Net

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Inference Net-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Inference Net",
    "known_models": 2,
    "max_context_tokens": 128000,
    "max_output_tokens_observed": 8192,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Inference.net: Schematron V2 Small, Inference.net: Schematron V2 Turbo

Automatische ModellkonfigurationKwaipilot

Auto-Konfiguration · Kwaipilot

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Kwaipilot-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Kwaipilot",
    "known_models": 2,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 235929,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Kwaipilot: KAT-Coder-Pro V2, Kwaipilot: KAT-Coder-Pro V2.5

Automatische ModellkonfigurationLiquid

Auto-Konfiguration · Liquid

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Liquid-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Liquid",
    "known_models": 2,
    "max_context_tokens": 128000,
    "max_output_tokens_observed": 8192,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logprobs",
        "max_completion_tokens",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: LiquidAI: LFM2.5-24B-A2B, LiquidAI: LFM2.5-2.6B (free)

Automatische ModellkonfigurationMancer

Auto-Konfiguration · Mancer

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Mancer-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Mancer",
    "known_models": 1,
    "max_context_tokens": 8000,
    "max_output_tokens_observed": 6000,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "temperature",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Mancer: Weaver (alpha)

Automatische ModellkonfigurationMeituan

Auto-Konfiguration · Meituan

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Meituan-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Meituan",
    "known_models": 1,
    "max_context_tokens": 1048756,
    "max_output_tokens_observed": 262144,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "repetition_penalty",
        "seed",
        "stop",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Meituan: LongCat 2.0

Automatische ModellkonfigurationMeta

Auto-Konfiguration · Meta

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Meta-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Meta",
    "known_models": 17,
    "max_context_tokens": 1310720,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Meta: Llama 4 Scout, Meta: Muse Spark 1.1, Meta: Muse Spark 1.2, Meta: Muse Spark 1.2 Contributor, Meta: Muse Spark 1.3, Meta: Muse Spark 1.3 Contributor, Meta: Muse Spark Open, Meta: Muse Wonder …

Automatische ModellkonfigurationMicrosoft

Auto-Konfiguration · Microsoft

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Microsoft-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Microsoft",
    "known_models": 2,
    "max_context_tokens": 65535,
    "max_output_tokens_observed": 14745,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: WizardLM-2 8x22B, Microsoft: Phi 4

Automatische ModellkonfigurationMiniMax

Auto-Konfiguration · MiniMax

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten MiniMax-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "MiniMax",
    "known_models": 10,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 900172,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: MiniMax: MiniMax M3, MiniMax: MiniMax-01, MiniMax: MiniMax M1, MiniMax: MiniMax M3.1 Flash (free), MiniMax: MiniMax M3 (batch), MiniMax: MiniMax M2, MiniMax: MiniMax M2.1, MiniMax: MiniMax M2.5 …

Automatische ModellkonfigurationMistral AI

Auto-Konfiguration · Mistral AI

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Mistral AI-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Mistral AI",
    "known_models": 26,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 262144,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "prediction",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Mistral: Mistral Large 4, Mistral: Devstral 2 2512, Mistral: Ministral 3 14B 2512, Mistral: Ministral 3 8B 2512, Mistral: Ministral 3 8B 2512 (batch), Mistral: Mistral Large 3 2512, Mistral: Mistral Large 3 2512 (batch), Mistral: Mistral Medium 3.5 …

Automatische ModellkonfigurationMoondream

Auto-Konfiguration · Moondream

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Moondream-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Moondream",
    "known_models": 2,
    "max_context_tokens": 32000,
    "max_output_tokens_observed": 4096,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_completion_tokens",
        "max_tokens",
        "reasoning",
        "temperature",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Moondream: Moondream 3 Preview, Moondream: Moondream 3.1

Automatische ModellkonfigurationMoonshot AI

Auto-Konfiguration · Moonshot AI

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Moonshot AI-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Moonshot AI",
    "known_models": 8,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "parallel_tool_calls",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: MoonshotAI: Kimi K3, MoonshotAI: Kimi K3 (batch), MoonshotAI: Kimi K2 0905, MoonshotAI: Kimi K2 Thinking, MoonshotAI: Kimi K2.5, MoonshotAI: Kimi K2.6, MoonshotAI: Kimi K2.7 Code, MoonshotAI: Kimi K2 0711

Automatische ModellkonfigurationMorph

Auto-Konfiguration · Morph

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Morph-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Morph",
    "known_models": 2,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 131072,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "logprobs",
        "max_tokens",
        "response_format",
        "stop",
        "structured_outputs",
        "temperature",
        "top_logprobs"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Morph: Morph V3 Fast, Morph: Morph V3 Large

Automatische ModellkonfigurationNex Agi

Auto-Konfiguration · Nex Agi

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Nex Agi-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Nex Agi",
    "known_models": 4,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 235929,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "logprobs",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Nex AGI: Nex-N2.5-Mini, Nex AGI: Nex-N2.5-Mini (free), Nex AGI: Nex-N2.5-Pro, Nex AGI: Nex-N2.5-Pro (free)

Automatische ModellkonfigurationNousresearch

Auto-Konfiguration · Nousresearch

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Nousresearch-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Nousresearch",
    "known_models": 3,
    "max_context_tokens": 131072,
    "max_output_tokens_observed": 117964,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Nous: Hermes 3 405B Instruct, Nous: Hermes 3 70B Instruct, Nous: Hermes 4 405B

Automatische ModellkonfigurationNVIDIA

Auto-Konfiguration · NVIDIA

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten NVIDIA-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "NVIDIA",
    "known_models": 13,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 235929,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: NVIDIA: Nemotron 3.5 Super VL, NVIDIA: Nemotron 3 Ultra (free), NVIDIA: Nemotron 3.5 Lightning (free), NVIDIA: Nemotron 3.5 Super VL (free), NVIDIA: Switchyard, NVIDIA: Nemotron 3 Nano 30B A3B, NVIDIA: Nemotron 3 Super, NVIDIA: Nemotron 3 Super (free) …

Automatische ModellkonfigurationOpenAI

Auto-Konfiguration · OpenAI

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten OpenAI-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "OpenAI",
    "known_models": 80,
    "max_context_tokens": 1050000,
    "max_output_tokens_observed": 128000,
    "capability_categories": [
        "Bildgenerierung",
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "logprobs",
        "max_completion_tokens",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "seed",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_logprobs",
        "top_p",
        "verbosity"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: OpenAI: GPT-5.4, OpenAI: GPT-5.4 (batch), OpenAI: GPT-5.4 Pro, OpenAI: GPT-5.4 Pro (batch), OpenAI: GPT-5.5, OpenAI: GPT-5.5 (batch), OpenAI: GPT-5.5 Pro, OpenAI: GPT-5.5 Pro (batch) …

Automatische ModellkonfigurationOpenrouter

Auto-Konfiguration · Openrouter

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Openrouter-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Openrouter",
    "known_models": 6,
    "max_context_tokens": 2000000,
    "max_output_tokens_observed": 0,
    "capability_categories": [
        "Bildgenerierung",
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_completion_tokens",
        "max_tokens",
        "min_p",
        "parallel_tool_calls",
        "prediction",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p",
        "verbosity",
        "web_search_options"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Auto Router, Auto Router (Beta), Pareto Code Router, OpenRouter: Fusion, Free Models Router, Body Builder (beta)

Automatische ModellkonfigurationPerceptron

Auto-Konfiguration · Perceptron

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Perceptron-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Perceptron",
    "known_models": 2,
    "max_context_tokens": 36864,
    "max_output_tokens_observed": 8192,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "max_tokens",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Perceptron: Perceptron Mk1.5, Perceptron: Perceptron Mk1

Automatische ModellkonfigurationPerplexity

Auto-Konfiguration · Perplexity

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Perplexity-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Perplexity",
    "known_models": 5,
    "max_context_tokens": 200000,
    "max_output_tokens_observed": 115200,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "max_tokens",
        "presence_penalty",
        "reasoning",
        "structured_outputs",
        "temperature",
        "top_k",
        "top_p",
        "web_search_options"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Perplexity: Sonar Pro, Perplexity: Sonar Pro Search, Perplexity: Sonar Deep Research, Perplexity: Sonar Reasoning Pro, Perplexity: Sonar

Automatische ModellkonfigurationPoolside

Auto-Konfiguration · Poolside

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Poolside-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Poolside",
    "known_models": 4,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 131072,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_tokens",
        "reasoning",
        "temperature",
        "tool_choice",
        "tools"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Poolside: Laguna S 2.1, Poolside: Laguna S 2.1 (free), Poolside: Laguna XS 2.1, Poolside: Laguna XS 2.1 (free)

Automatische ModellkonfigurationPrism Ml

Auto-Konfiguration · Prism Ml

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Prism Ml-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Prism Ml",
    "known_models": 1,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 32768,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logprobs",
        "max_tokens",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: PrismML: Ternary Bonsai 2 27B

Automatische ModellkonfigurationQwen / Alibaba

Auto-Konfiguration · Qwen / Alibaba

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Qwen / Alibaba-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Qwen / Alibaba",
    "known_models": 57,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 909000,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Qwen: Qwen3.8 2.4T A95B, Qwen: Qwen3.8 2.4T A95B (batch), Qwen: Qwen Plus 0728, Qwen: Qwen-Plus, Qwen: Qwen3 Coder Flash, Qwen: Qwen3 Coder Plus, Qwen: Qwen3.5 Plus 2026-02-15, Qwen: Qwen3.5 Plus 2026-04-20 …

Automatische ModellkonfigurationReflection

Auto-Konfiguration · Reflection

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Reflection-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Reflection",
    "known_models": 1,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Reflection: Beam 1.0 501B A23B

Automatische ModellkonfigurationRekaai

Auto-Konfiguration · Rekaai

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Rekaai-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Rekaai",
    "known_models": 2,
    "max_context_tokens": 65536,
    "max_output_tokens_observed": 58982,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logprobs",
        "max_tokens",
        "presence_penalty",
        "reasoning",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Reka Flash 3, Reka Edge

Automatische ModellkonfigurationRelace

Auto-Konfiguration · Relace

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Relace-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Relace",
    "known_models": 2,
    "max_context_tokens": 256000,
    "max_output_tokens_observed": 128000,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "max_tokens",
        "response_format",
        "seed",
        "stop",
        "temperature",
        "tool_choice",
        "tools",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Relace: Relace Apply 3, Relace: Relace Search

Automatische ModellkonfigurationSakana

Auto-Konfiguration · Sakana

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Sakana-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Sakana",
    "known_models": 4,
    "max_context_tokens": 1000000,
    "max_output_tokens_observed": 128000,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "reasoning",
        "reasoning_effort",
        "structured_outputs",
        "tool_choice",
        "tools",
        "web_search_options"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Sakana: Fugu Max, Sakana: Fugu Ultra, Sakana: Fugu Ultra v2, Sakana: Sakana Namazu

Automatische ModellkonfigurationSao10k

Auto-Konfiguration · Sao10k

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Sao10k-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Sao10k",
    "known_models": 3,
    "max_context_tokens": 131072,
    "max_output_tokens_observed": 16384,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Sao10K: Llama 3.1 Euryale 70B v2.2, Sao10K: Llama 3.3 Euryale 70B, Sao10K: Llama 3 8B Lunaris

Automatische ModellkonfigurationScaledown

Auto-Konfiguration · Scaledown

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Scaledown-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Scaledown",
    "known_models": 2,
    "max_context_tokens": 1000000,
    "max_output_tokens_observed": 900000,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "max_tokens"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: ScaleDown: Extract, ScaleDown: Summarize

Automatische ModellkonfigurationStealth

Auto-Konfiguration · Stealth

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Stealth-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Stealth",
    "known_models": 2,
    "max_context_tokens": 1000000,
    "max_output_tokens_observed": 524288,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "temperature",
        "tool_choice",
        "tools",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Space Bunny Alpha, Union Alpha

Automatische ModellkonfigurationStepfun

Auto-Konfiguration · Stepfun

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Stepfun-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Stepfun",
    "known_models": 3,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 230400,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: StepFun: Step 5 Preview, StepFun: Step 3.5 Flash, StepFun: Step 3.7 Flash

Automatische ModellkonfigurationTencent

Auto-Konfiguration · Tencent

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Tencent-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Tencent",
    "known_models": 7,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 235929,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "max_completion_tokens",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Tencent: Hy4 preview, Tencent: Hy3, Tencent: Hy3 preview, Tencent: Hunyuan A13B Instruct, Tencent: Hy-MT2-1.8B, Tencent: Hy-MT2-30B-A3B, Tencent: Hy-MT2-7B

Automatische ModellkonfigurationThedrummer

Auto-Konfiguration · Thedrummer

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Thedrummer-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Thedrummer",
    "known_models": 3,
    "max_context_tokens": 1024000,
    "max_output_tokens_observed": 819200,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "presence_penalty",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: TheDrummer: UnslopNemo 12B, TheDrummer: Cydonia 24B V4.1, TheDrummer: Skyfall 36B V2

Automatische ModellkonfigurationThinkingmachines

Auto-Konfiguration · Thinkingmachines

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Thinkingmachines-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Thinkingmachines",
    "known_models": 6,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 471859,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "seed",
        "stop",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Thinking Machines: Inkling (free), Thinking Machines: Inkling Small (free), Thinking Machines: Inkling, Thinking Machines: Inkling (batch), Thinking Machines: Inkling Small, Thinking Machines: Inkling Small (batch)

Automatische ModellkonfigurationTypesafe

Auto-Konfiguration · Typesafe

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Typesafe-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Typesafe",
    "known_models": 1,
    "max_context_tokens": 1000000,
    "max_output_tokens_observed": 0,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_completion_tokens",
        "max_tokens",
        "min_p",
        "parallel_tool_calls",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p",
        "verbosity"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: TypeSafe: Jev Router

Automatische ModellkonfigurationUnbiased

Auto-Konfiguration · Unbiased

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Unbiased-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Unbiased",
    "known_models": 4,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 131072,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "max_tokens",
        "response_format",
        "temperature",
        "tool_choice",
        "tools",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Pareto 26.10, Pareto 26.10 Preview, Pareto, Pareto 26.9

Automatische ModellkonfigurationUndi95

Auto-Konfiguration · Undi95

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Undi95-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Undi95",
    "known_models": 1,
    "max_context_tokens": 6144,
    "max_output_tokens_observed": 5529,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: ReMM SLERP 13B

Automatische ModellkonfigurationUpstage

Auto-Konfiguration · Upstage

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Upstage-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Upstage",
    "known_models": 3,
    "max_context_tokens": 524288,
    "max_output_tokens_observed": 131072,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "max_tokens",
        "parallel_tool_calls",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Upstage: Solar Mini 4, Upstage: Solar Pro 4, Upstage: Solar Pro 3

Automatische ModellkonfigurationWriter

Auto-Konfiguration · Writer

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Writer-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Writer",
    "known_models": 1,
    "max_context_tokens": 1040000,
    "max_output_tokens_observed": 8192,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "max_tokens",
        "stop",
        "temperature",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Writer: Palmyra X5

Automatische ModellkonfigurationxAI

Auto-Konfiguration · xAI

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten xAI-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "xAI",
    "known_models": 8,
    "max_context_tokens": 2000000,
    "max_output_tokens_observed": 1800000,
    "capability_categories": [
        "Multimodal"
    ],
    "supported_parameters": [
        "include_reasoning",
        "logprobs",
        "max_tokens",
        "reasoning",
        "reasoning_effort",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: SpaceXAI: Grok 4.20, SpaceXAI: Grok 4.20 Multi-Agent, SpaceXAI: Grok 4.3, SpaceXAI: Grok 4.3 (batch), SpaceXAI: Grok 4.5, SpaceXAI: Grok 4.6, SpaceXAI: Grok 4.7, SpaceXAI: Grok Build 0.1

Automatische ModellkonfigurationXiaomi

Auto-Konfiguration · Xiaomi

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Xiaomi-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Xiaomi",
    "known_models": 5,
    "max_context_tokens": 1050000,
    "max_output_tokens_observed": 945000,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Xiaomi: MiMo-V2.5, Xiaomi: MiMo-V2.5-Pro, Xiaomi: MiMo-V2.6-Flash, Xiaomi: MiMo-V2.6-Pro, Xiaomi: MiMo-V2.6-Pro-UltraSpeed

Automatische ModellkonfigurationXingchen Agi

Auto-Konfiguration · Xingchen Agi

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Xingchen Agi-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Xingchen Agi",
    "known_models": 1,
    "max_context_tokens": 262144,
    "max_output_tokens_observed": 235929,
    "capability_categories": [
        "Generalist"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "max_tokens",
        "min_p",
        "presence_penalty",
        "reasoning",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_k",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: XingChen: Xing4.0 29B A4B (free)

Automatische ModellkonfigurationZ.ai

Auto-Konfiguration · Z.ai

Automatisch gepflegte Konfigurationshilfe für die aktuell im Modellkatalog bekannten Z.ai-Modelle. Sie bündelt verfügbare Parameter und verweist für exakte Limits auf das konkrete Modellprofil.

Zielmodell: Aktuelle Modelle im Katalog

Rolle: Sie sind ein präziser Assistent.
Aufgabe: {AUFGABE}
Kontext: {KONTEXT}
Anforderungen: {ANFORDERUNGEN}

Arbeiten Sie nachvollziehbar, kennzeichnen Sie Unsicherheiten und liefern Sie das Ergebnis im gewünschten Ausgabeformat.

Variablen{AUFGABE}, {KONTEXT}, {ANFORDERUNGEN}

Empfohlene Konfiguration

{
    "provider": "Z.ai",
    "known_models": 20,
    "max_context_tokens": 1048576,
    "max_output_tokens_observed": 943718,
    "capability_categories": [
        "Generalist",
        "Multimodal"
    ],
    "supported_parameters": [
        "frequency_penalty",
        "include_reasoning",
        "logit_bias",
        "logprobs",
        "max_tokens",
        "min_p",
        "parallel_tool_calls",
        "presence_penalty",
        "reasoning",
        "reasoning_effort",
        "repetition_penalty",
        "response_format",
        "seed",
        "stop",
        "structured_outputs",
        "temperature",
        "tool_choice",
        "tools",
        "top_a",
        "top_k",
        "top_logprobs",
        "top_p"
    ]
}

Automatisch aus den aktuell synchronisierten Modellmetadaten erzeugt. Parameter und Limits sind provider-/endpunktabhängig; vor produktiver API-Nutzung das konkrete Modellprofil und die Originaldokumentation prüfen. Beispiele: Z.ai: GLM 5.2, Z.ai: GLM 5.2 (batch), Z.ai: GLM 5.3, Z.ai: GLM 5.3 (batch), Z.ai: GLM 5.3 Flash, Z.ai: GLM 5.3 Flash (batch), Z.ai: GLM 5.3 FlashX, Z.ai: GLM 5.3 Prime …

BildgenerierungAlle

Bildprompt professionell

Prompt für ein kontrolliertes Bildmotiv

Zielmodell: Bildmodelle

Motiv: {{MOTIV}}
Zweck: {{ZWECK}}
Szene/Umgebung: {{SZENE}}
Komposition: {{KOMPOSITION}}
Kamera/Perspektive: {{KAMERA}}
Licht: {{LICHT}}
Materialien/Farbstimmung: {{FARBEN}}
Stil: {{STIL}}
Wichtige Details: {{DETAILS}}
Nicht enthalten: {{AUSSCHLÜSSE}}
Seitenverhältnis/Ausgabe: {{FORMAT}}

VariablenMOTIV, ZWECK, SZENE, KOMPOSITION, KAMERA, LICHT, FARBEN, STIL, DETAILS, AUSSCHLÜSSE, FORMAT

Empfohlene Konfiguration{"image_quality":"hoch","seed":"falls unterstützt für Varianten dokumentieren"}

Kurze präzise visuelle Angaben sind meist besser als lange Listen unscharfer Stilbegriffe.

BildgenerierungAlle

Produktfoto / Werbemotiv

Business-taugliches Produkt-/Service-Motiv erzeugen

Zielmodell: Bildmodelle

Erzeugen Sie ein professionelles B2B-Werbemotiv für {{ANGEBOT}}.
Zielgruppe: {{ZIELGRUPPE}}.
Bildsprache: modern, glaubwürdig, hochwertig, keine Stockfoto-Anmutung.
Visueller Fokus: {{FOKUS}}.
Freiraum für Text: {{TEXTFREIRAUM}}.
Corporate-Farben: {{FARBEN}}.
Keine Logos oder lesbaren Texte im Bild, sofern nicht ausdrücklich vorgegeben.

VariablenANGEBOT, ZIELGRUPPE, FOKUS, TEXTFREIRAUM, FARBEN

Empfohlene Konfiguration{"aspect_ratio":"z. B. 16:9 für Web, 4:5 für Social"}

Text und Logo besser anschließend im Layoutprogramm setzen, falls das Bildmodell typografisch unzuverlässig ist.

BusinessAlle

Entscheidungsmatrix

Mehrere Optionen anhand gewichteter Kriterien vergleichen

Zielmodell: Alle

Vergleichen Sie {{OPTIONEN}} anhand dieser Kriterien: {{KRITERIEN}}.
Gewichtungen: {{GEWICHTUNGEN}}.
Erstellen Sie eine Tabelle mit 0–10 Punkten je Kriterium, gewichteter Summe und kurzer Begründung.
Nennen Sie danach:
- beste Option unter den gegebenen Annahmen
- Risiken der Empfehlung
- welches zusätzliche Wissen die Entscheidung ändern könnte.

VariablenOPTIONEN, KRITERIEN, GEWICHTUNGEN

Empfohlene Konfiguration{"reasoning":"medium bis high","output":"Markdown-Tabelle oder JSON"}

Gewichtungen vorher fachlich festlegen; das Modell soll sie nicht eigenmächtig erfinden.

BusinessAlle

E-Mail professionell formulieren

Sachliche professionelle Kundenmail erzeugen

Zielmodell: Alle

Formulieren Sie eine professionelle deutsche E-Mail in Sie-Ansprache.
Zweck: {{ZWECK}}
Empfänger: {{EMPFÄNGER}}
Kernpunkte: {{KERNPUNKTE}}
Tonalität: sachlich, freundlich, verbindlich, nicht werblich übertrieben.
Maximal {{MAX_WÖRTER}} Wörter.
Liefern Sie Betreff und E-Mailtext.

VariablenZWECK, EMPFÄNGER, KERNPUNKTE, MAX_WÖRTER

Empfohlene Konfiguration{"reasoning":"low/none","temperature":"Standard"}

Für Standardkommunikation kein hoher Reasoning-Aufwand nötig.

BusinessAlle

Angebotstext IT-Dienstleistung

Leistungsbeschreibung für ein Angebot erstellen

Zielmodell: Alle

Erstellen Sie aus den Stichpunkten eine klare Leistungsbeschreibung für ein B2B-Angebot.
Leistung: {{LEISTUNG}}
Enthalten: {{IN_SCOPE}}
Nicht enthalten: {{OUT_OF_SCOPE}}
Voraussetzungen: {{VORAUSSETZUNGEN}}
Ergebnis/Lieferobjekt: {{ERGEBNIS}}
Formulieren Sie konkret, prüfbar und ohne unklare Erfolgsversprechen. Verwenden Sie Sie-Ansprache.

VariablenLEISTUNG, IN_SCOPE, OUT_OF_SCOPE, VORAUSSETZUNGEN, ERGEBNIS

Empfohlene Konfiguration{"reasoning":"medium"}

Scope und Ausschlüsse klar benennen, um Missverständnisse zu vermeiden.

BusinessAlle

Anforderungsanalyse / Lastenheft

Unstrukturierte Kundenanforderungen in Anforderungen überführen

Zielmodell: Alle

Analysieren Sie die folgenden Kundeninformationen und erstellen Sie eine strukturierte Anforderungsliste.
{{KUNDENINPUT}}
Gliedern Sie in:
1. Ziel/Nutzen
2. Muss-Anforderungen
3. Soll-Anforderungen
4. Kann-Anforderungen
5. Nicht-funktionale Anforderungen
6. Schnittstellen/Abhängigkeiten
7. Risiken
8. Offene Fragen
9. Abnahmekriterien
Erfinden Sie keine fehlenden Anforderungen.

VariablenKUNDENINPUT

Empfohlene Konfiguration{"reasoning":"high"}

Ideal vor Angebot oder Projektstart.

BusinessAlle

Meeting-Protokoll

Notizen in ein belastbares Protokoll umwandeln

Zielmodell: Alle

Erstellen Sie aus den Notizen ein professionelles Besprechungsprotokoll.
{{NOTIZEN}}
Ausgabe:
- Datum/Teilnehmer (nur falls vorhanden)
- Themen
- Entscheidungen
- Aufgaben mit Verantwortlichem und Termin
- Offene Punkte
- Risiken/Abhängigkeiten
Keine fehlenden Namen oder Termine erfinden.

VariablenNOTIZEN

Empfohlene Konfiguration{"reasoning":"low"}

Geeignet für Kunden- und Projektmeetings.

CodingAlle

Code Review

Quellcode auf Qualität, Fehler und Risiken prüfen

Zielmodell: Alle

Führen Sie ein Code Review durch.
Sprache/Stack: {{STACK}}
Ziel: {{ZIEL}}
Code:
```
{{CODE}}
```
Prüfen Sie in dieser Reihenfolge:
1. funktionale Fehler
2. Sicherheitsrisiken
3. Datenverlust/Seiteneffekte
4. Performance
5. Wartbarkeit
6. Tests/Edge Cases
Geben Sie für jeden Befund Schweregrad, Fundstelle, Begründung und konkrete Änderung an. Ändern Sie Architektur nur, wenn nötig.

VariablenSTACK, ZIEL, CODE

Empfohlene Konfiguration{"reasoning":"high","tools":"Tests/Compiler falls verfügbar"}

Bei produktivem Code Tests und statische Analyse ergänzen.

CodingAlle

Bugdiagnose mit Reproduktion

Fehler systematisch eingrenzen

Zielmodell: Alle

Analysieren Sie den Fehler wie ein Senior-Entwickler.
System: {{SYSTEM}}
Erwartet: {{ERWARTET}}
Tatsächlich: {{TATSÄCHLICH}}
Fehlermeldung/Log: {{LOG}}
Relevanter Code: {{CODE}}
Liefern Sie:
1. wahrscheinlichste Ursachen sortiert
2. minimale Reproduktionsschritte
3. Diagnoseprüfungen
4. kleinste sichere Korrektur
5. Regressionstests
Kennzeichnen Sie Annahmen.

VariablenSYSTEM, ERWARTET, TATSÄCHLICH, LOG, CODE

Empfohlene Konfiguration{"reasoning":"high"}

Logs und Versionen erhöhen die Diagnosequalität erheblich.

CodingAlle

PowerShell Admin-Skript

Sicheres administratives PowerShell-Skript erzeugen

Zielmodell: Alle

Erstellen Sie ein PowerShell-Skript für folgende administrative Aufgabe: {{AUFGABE}}.
Umgebung: {{UMGEBUNG}}
Anforderungen:
- PowerShell {{VERSION}}
- standardmäßig möglichst lesend / dry-run-fähig
- Fehlerbehandlung mit try/catch
- verständliches Logging
- Parameter statt fest codierter Werte
- vor destruktiven Aktionen WhatIf/Confirm oder explizite Rückfrage
- keine Zugangsdaten im Klartext
Erklären Sie benötigte Rechte und testen Sie typische Edge Cases.

VariablenAUFGABE, UMGEBUNG, VERSION

Empfohlene Konfiguration{"reasoning":"high"}

Administrative Skripte immer in Testumgebung prüfen.

CodingAlle

SQL-Abfrage sicher erstellen

SQL mit Parametrisierung und Performancehinweisen erzeugen

Zielmodell: Alle

Erstellen Sie für {{DBMS}} eine SQL-Lösung.
Schema: {{SCHEMA}}
Aufgabe: {{AUFGABE}}
Vorgaben:
- parameterisierte Eingaben
- keine SQL-Injection-Risiken
- Transaktion nur wenn nötig
- Indizes/Performance kurz bewerten
- bei UPDATE/DELETE zuerst sichere SELECT-Kontrollabfrage zeigen
- Annahmen nennen.

VariablenDBMS, SCHEMA, AUFGABE

Empfohlene Konfiguration{"reasoning":"high"}

Bei Schreiboperationen Backup/Transaktion und Testdatenbank verwenden.

CodingAlle

API-Design Review

REST/API-Entwurf bewerten

Zielmodell: Alle

Bewerten Sie dieses API-Design: {{API_BESCHREIBUNG}}.
Prüfen Sie Ressourcenmodell, HTTP-Methoden, Statuscodes, Authentifizierung, Autorisierung, Validierung, Pagination, Idempotenz, Rate Limits, Fehlerformat, Versionierung, Logging und Datenschutz.
Erstellen Sie eine priorisierte Liste: kritisch / wichtig / optional.

VariablenAPI_BESCHREIBUNG

Empfohlene Konfiguration{"reasoning":"high"}

Für externe APIs zusätzlich Threat Modeling durchführen.

CodingAlle

Unit- und Integrationstests

Testfälle aus Anforderungen und Code ableiten

Zielmodell: Alle

Erstellen Sie einen Testplan für {{KOMPONENTE}}.
Anforderungen: {{ANFORDERUNGEN}}
Code/Interface: {{CODE_ODER_API}}
Liefern Sie:
- Happy Paths
- Grenzfälle
- Fehlerfälle
- Sicherheits-/Berechtigungsfälle
- Datenvalidierung
- konkrete automatisierte Tests in {{FRAMEWORK}}
- erwartetes Ergebnis je Test.

VariablenKOMPONENTE, ANFORDERUNGEN, CODE_ODER_API, FRAMEWORK

Empfohlene Konfiguration{"reasoning":"medium/high"}

Tests müssen gegen reale Anforderungen geprüft werden.

ComplianceAlle

DSGVO Technikcheck

Technische Datenschutzmaßnahmen strukturiert bewerten

Zielmodell: Alle

Bewerten Sie ausschließlich technische und organisatorische IT-Aspekte, keine Rechtsberatung.
Umgebung: {{UMGEBUNG}}
Prüfen Sie Zugriffskontrolle, MFA, Verschlüsselung, Logging, Löschung, Backup, Berechtigungen, Datenminimierung, Aufbewahrung, Dienstleister/Cloud, Incident-Prozess und Dokumentation.
Markieren Sie: vorhanden / teilweise / fehlt / nicht prüfbar und formulieren Sie technische Maßnahmen.

VariablenUMGEBUNG

Empfohlene Konfiguration{"reasoning":"high"}

Rechtliche Einordnung ggf. durch qualifizierte Beratung ergänzen.

ComplianceAlle

NIS2 technische Orientierung

Technische Themenfelder für NIS2-orientierte Vorbereitung strukturieren

Zielmodell: Alle

Erstellen Sie keine Rechtsbewertung, sondern eine technische Orientierung für {{UNTERNEHMEN}}.
Vorhandene Maßnahmen: {{MASSNAHMEN}}
Ordnen Sie technische Lücken in Risikomanagement, Incident Handling, Business Continuity, Lieferkette, Schwachstellenmanagement, Zugriffsschutz, MFA, Verschlüsselung, Logging und Sicherheitsdokumentation ein.
Liefern Sie Prioritäten und Nachweisideen.

VariablenUNTERNEHMEN, MASSNAHMEN

Empfohlene Konfiguration{"reasoning":"high"}

Unternehmensrechtliche Betroffenheit separat prüfen.

DatenanalyseAlle

CSV-/Tabellendaten analysieren

Strukturierte Analyse einer Tabelle

Zielmodell: Alle

Analysieren Sie die bereitgestellten Tabellendaten.
Fragestellung: {{FRAGE}}
Prüfen Sie zuerst Spalten, Datentypen, fehlende Werte, Duplikate und Ausreißer.
Danach liefern Sie nur Analysen, die aus den Daten ableitbar sind. Trennen Sie Beobachtung und Interpretation.
Wenn Berechnungen möglich sind, verwenden Sie Werkzeuge/Code statt Kopfrechnen.
Gewünschte Ausgabe: {{AUSGABE}}.

VariablenFRAGE, AUSGABE

Empfohlene Konfiguration{"reasoning":"medium","tools":"Python/Data Analysis falls vorhanden"}

Bei großen Datenmengen Datei statt Copy/Paste verwenden.

DatenanalyseAlle

JSON-Extraktion mit Schema

Unstrukturierten Text in validierbare JSON-Struktur umwandeln

Zielmodell: Alle

Extrahieren Sie aus {{INPUT}} ausschließlich die folgenden Felder nach diesem Schema:
{{JSON_SCHEMA}}
Regeln:
- fehlende Werte = null
- nichts erfinden
- Datentypen strikt einhalten
- nur JSON ausgeben

VariablenINPUT, JSON_SCHEMA

Empfohlene Konfiguration{"output":"Structured Output / JSON Schema wenn unterstützt","reasoning":"low/medium"}

Native Structured Outputs sind robuster als reine Prompt-Anweisungen.

IT-SicherheitAlle

Threat Model STRIDE

Systematisch Bedrohungen für eine Anwendung identifizieren

Zielmodell: Alle

Erstellen Sie ein defensives Threat Model für das autorisierte System {{SYSTEM}}.
Architektur/Datenflüsse: {{ARCHITEKTUR}}
Assets: {{ASSETS}}
Trust Boundaries: {{GRENZEN}}
Analysieren Sie nach STRIDE und liefern Sie pro Risiko: Szenario, Voraussetzung, Auswirkung, Wahrscheinlichkeit, vorhandene Kontrolle, empfohlene Maßnahme.
Keine offensiven Schritt-für-Schritt-Angriffsanleitungen.

VariablenSYSTEM, ARCHITEKTUR, ASSETS, GRENZEN

Empfohlene Konfiguration{"reasoning":"high"}

Für Sicherheitsarbeit Scope und Autorisierung dokumentieren.

IT-SicherheitAlle

IT-Sicherheitscheck Bericht

Technische Befunde in verständliche Management-Empfehlungen übersetzen

Zielmodell: Alle

Sie erhalten technische Befunde eines autorisierten IT-Sicherheitschecks.
{{BEFUNDE}}
Erstellen Sie:
1. Management-Zusammenfassung ohne Fachchinesisch
2. Top-10-Risiken nach Schwere/Priorität
3. je Risiko: Beobachtung, mögliche Auswirkung, konkrete Maßnahme, Aufwand grob, Priorität
4. 30/60/90-Tage-Plan
5. positive Feststellungen
Keine rechtliche Zertifizierung oder Garantie behaupten.

VariablenBEFUNDE

Empfohlene Konfiguration{"reasoning":"high"}

Passt zum primären Sicherheitscheck-Angebot des Portals.

IT-SicherheitAlle

Incident-Triage defensiv

Sicherheitsvorfall strukturiert erfassen und priorisieren

Zielmodell: Alle

Unterstützen Sie bei der defensiven Erstbewertung eines möglichen Sicherheitsvorfalls.
Beobachtungen: {{BEOBACHTUNGEN}}
Systeme: {{SYSTEME}}
Zeitlinie: {{ZEITLINIE}}
Erstellen Sie:
- Schweregrad und Begründung
- sofortige schadensbegrenzende Maßnahmen
- welche Beweise/Logs gesichert werden müssen
- was NICHT vorschnell verändert werden sollte
- Eskalationskriterien
- nächste Untersuchungsschritte auf defensiver Ebene.

VariablenBEOBACHTUNGEN, SYSTEME, ZEITLINIE

Empfohlene Konfiguration{"reasoning":"high"}

Beweissicherung und autorisierte Incident-Response-Prozesse beachten.

ModellspezifischOpenAI

OpenAI GPT-5.6 – komplexe Analyse

Aktuelle GPT-5.6-Modelle effizient einsetzen

Zielmodell: GPT-5.6 Sol/Terra

Analysieren Sie {{PROBLEM}} für {{ZIELGRUPPE}}.
Priorisieren Sie Korrektheit vor Geschwindigkeit. Nutzen Sie verfügbare Werkzeuge für überprüfbare Fakten und Berechnungen.
Liefern Sie: Ergebnis, wichtigste Begründungen, Risiken/Unsicherheiten und konkrete nächste Schritte.
Ausgabeformat: {{FORMAT}}.

VariablenPROBLEM, ZIELGRUPPE, FORMAT

Empfohlene Konfiguration{"model":"gpt-5.6-sol oder gpt-5.6-terra","reasoning":{"effort":"medium/high"},"text":{"format":"text oder schema"}}

Für Routineaufgaben Luna oder niedrigeren Reasoning-Aufwand verwenden.

ModellspezifischAnthropic

Claude 5 – lange Dokumentanalyse

Claude für große Dokumentmengen strukturieren

Zielmodell: Claude Sonnet 5 / Opus 5

<documents>
{{DOKUMENTE}}
</documents>
<task>
Analysieren Sie die Dokumente im Hinblick auf {{FRAGE}}.
Belegen Sie Kernaussagen mit den Dokumentbezeichnungen. Nennen Sie Widersprüche und fehlende Informationen.
</task>
<output>
{{AUSGABEFORMAT}}
</output>

VariablenDOKUMENTE, FRAGE, AUSGABEFORMAT

Empfohlene Konfiguration

{"thinking":{"type":"adaptive"},"output_config":{"effort":"high"},"sampling":"bei aktuellen Claude-Modellen nicht manuell abweichend setzen"}

Anthropic empfiehlt bei langen Inputs Dokumente vor der eigentlichen Frage und klare XML-Struktur.

ModellspezifischGoogle

Gemini 3.x – multimodale Analyse

Gemini mit aktuellem Thinking-Level nutzen

Zielmodell: Gemini 3.x

Aufgabe: {{AUFGABE}}
Analysieren Sie die bereitgestellten Texte/Bilder/Dateien gemeinsam.
Kriterien: {{KRITERIEN}}
Geben Sie Beobachtungen getrennt von Schlussfolgerungen aus.
Ausgabeformat: {{FORMAT}}.

VariablenAUFGABE, KRITERIEN, FORMAT

Empfohlene Konfiguration

{"thinking_config":{"thinking_level":"medium"},"temperature":"nicht setzen","top_p":"nicht setzen","top_k":"nicht setzen"}

Für Gemini 3.x empfiehlt Google, Sampling-Defaults nicht zu überschreiben.

ModellspezifischxAI

Grok 4.6 – agentische Coding-Aufgabe

Grok für Tool-/Coding-Aufgaben konfigurieren

Zielmodell: Grok 4.6

Bearbeiten Sie {{AUFGABE}}.
Repository/Systemkontext: {{KONTEXT}}
Erlaubte Tools: {{TOOLS}}
Definition of Done: {{DOD}}
Prüfen Sie vor Abschluss Tests und offensichtliche Regressionen. Ändern Sie nur Dateien, die für das Ziel nötig sind.

VariablenAUFGABE, KONTEXT, TOOLS, DOD

Empfohlene Konfiguration

{"model":"grok-4.6","reasoning":{"effort":"medium/high"},"prompt_cache_key":"stabil pro Konversation wenn API genutzt wird"}

xAI empfiehlt prompt_cache_key für zuverlässigere Cache-Hits.

ModellspezifischDeepSeek

DeepSeek V4 – Coding Agent

DeepSeek für Agenten- und Coding-Aufgaben

Zielmodell: DeepSeek V4 Pro/Flash

Ziel: {{ZIEL}}
Codebasis: {{KONTEXT}}
Werkzeuge: {{TOOLS}}
Vorgehen: Problem reproduzieren, Ursache isolieren, kleinste Korrektur umsetzen, Tests ausführen, Ergebnis zusammenfassen.
Grenzen: {{GRENZEN}}

VariablenZIEL, KONTEXT, TOOLS, GRENZEN

Empfohlene Konfiguration

{"model":"deepseek-v4-pro für komplex / deepseek-v4-flash für schnell","thinking":"aktiv bei komplexen Aufgaben","json_output":"bei strukturierter Ausgabe"}

DeepSeek V4 unterstützt Thinking/Non-Thinking, Tools und JSON Output.

ModellspezifischMistral AI

Mistral – Code Completion/FIM

Fill-in-the-Middle bzw. Code-Completion vorbereiten

Zielmodell: Codestral

Datei/Sprache: {{DATEI}} / {{SPRACHE}}
Ziel der Ergänzung: {{ZIEL}}
Vorheriger Code:
{{PREFIX}}
<ZU_ERGÄNZEN>
Nachfolgender Code:
{{SUFFIX}}
Erzeugen Sie nur den passenden fehlenden Code ohne zusätzliche Erklärung.

VariablenDATEI, SPRACHE, ZIEL, PREFIX, SUFFIX

Empfohlene Konfiguration{"model":"codestral-latest","endpoint":"FIM wenn verwendet","context":"nur relevante Datei-/Symbolumgebung"}

Für Coding Completion unnötigen Repository-Kontext vermeiden.

ModellspezifischCohere

Cohere – RAG-Antwort

Enterprise-RAG mit klarer Grounding-Regel

Zielmodell: Command A / A+

Beantworten Sie {{FRAGE}} anhand der abgerufenen Dokumente.
Dokumente:
{{DOKUMENTE}}
Regeln: Quellenbezug je Aussage, keine Ergänzung bei fehlendem Beleg, Konflikte benennen, Antwort für {{ZIELGRUPPE}} formulieren.

VariablenFRAGE, DOKUMENTE, ZIELGRUPPE

Empfohlene Konfiguration{"model":"command-a-plus-05-2026 oder command-a-03-2025","retrieval":"Embed v4 + optional Rerank v4"}

Cohere ist stark auf Enterprise-RAG, Rerank und Embed ausgerichtet.

ModellspezifischMeta

Llama 4 – lokaler Assistent

Open-Weight-Modell für lokalen Unternehmensassistenten prompten

Zielmodell: Llama 4

Sie sind ein interner Assistent für {{ORGANISATION}}.
Aufgabe: {{AUFGABE}}
Erlaubte Wissensquellen: {{QUELLEN}}
Datenschutzregeln: {{REGELN}}
Wenn Informationen fehlen, fragen Sie nach oder kennzeichnen Sie die Lücke.
Ausgabe: {{FORMAT}}.

VariablenORGANISATION, AUFGABE, QUELLEN, REGELN, FORMAT

Empfohlene Konfiguration

{"model":"Llama 4 Scout für sehr langen Kontext; Maverick für höhere Qualität","self_hosting":"Chat-Template und Quantisierung testen"}

Beim Self-Hosting müssen Inferenzengine und Modell-Template zum Modell passen.

ModellspezifischQwen

Qwen3 – Thinking/Non-Thinking

Qwen3 passend zur Aufgabenkomplexität betreiben

Zielmodell: Qwen3

Bearbeiten Sie {{AUFGABE}}.
Kontext: {{KONTEXT}}
Qualitätskriterien: {{KRITERIEN}}
Bei komplexen Aufgaben gründlich prüfen; bei einfachen Aufgaben knapp und direkt antworten.
Ausgabeformat: {{FORMAT}}.

VariablenAUFGABE, KONTEXT, KRITERIEN, FORMAT

Empfohlene Konfiguration{"mode":"thinking für komplexe Aufgaben / non-thinking für Latenz","context":"modellgrößenabhängig"}

Qwen3 unterstützt hybride Thinking- und Non-Thinking-Modi.

ModellspezifischPerplexity

Perplexity Sonar – aktuelle Recherche

Web-grounded Recherche so formulieren, dass die Suche richtig gesteuert wird

Zielmodell: Sonar / Sonar Pro

Recherchieren Sie {{THEMA}} für den Zeitraum {{ZEITRAUM}} mit Fokus auf {{FOKUS}}.
Bevorzugte Quellenarten: {{QUELLENARTEN}}.
Ausschließen: {{AUSSCHLÜSSE}}.
Liefern Sie maximal {{ANZAHL}} Kernergebnisse mit Quellen, Datum und kurzer Einordnung.
Trennen Sie aktuelle Fakten von Hintergrundwissen.

VariablenTHEMA, ZEITRAUM, FOKUS, QUELLENARTEN, AUSSCHLÜSSE, ANZAHL

Empfohlene Konfiguration

{"model":"sonar für schnell / sonar-pro für komplex / sonar-deep-research für ausführlich","search_context":"low/medium/high je Bedarf"}

Bei Sonar beeinflusst der User-Prompt die Suche; Suchfilter nicht nur in den Systemprompt schreiben.

RAGAlle

RAG-Systemprompt

Antworten strikt an bereitgestellte Wissensquellen binden

Zielmodell: Alle

Sie beantworten Fragen ausschließlich auf Basis des bereitgestellten Kontexts.
Regeln:
1. Wenn die Information nicht im Kontext steht, sagen Sie das ausdrücklich.
2. Keine Fakten aus allgemeinem Modellwissen ergänzen.
3. Zitieren Sie die verwendete Quelle/ID je Kernaussage.
4. Bei widersprüchlichen Quellen nennen Sie den Widerspruch.
5. Trennen Sie Fakten, Schlussfolgerungen und offene Fragen.
Kontext:
{{KONTEXT}}
Frage:
{{FRAGE}}

VariablenKONTEXT, FRAGE

Empfohlene Konfiguration{"retrieval":"top-k Kandidaten + optional Reranker","temperature":"niedrig/Standard je Modell"}

Grounding und Retrieval-Qualität separat evaluieren.

RechercheAlle

Faktencheck mit Unsicherheiten

Behauptungen in einem Text systematisch prüfen

Zielmodell: Alle

Prüfen Sie die folgenden Aussagen einzeln. Trennen Sie: bestätigt, wahrscheinlich, unklar, falsch oder nicht prüfbar.
Für jede Aussage:
1. Behauptung in einem Satz
2. Bewertung
3. Begründung
4. Welche Quelle/Nachweis wäre erforderlich?
5. Unsicherheiten oder zeitabhängige Faktoren
Text:
{{TEXT}}

VariablenTEXT

Empfohlene Konfiguration{"reasoning":"high bei komplexen Fachthemen","web_search":"falls verfügbar aktivieren"}

Bei aktuellen Fakten ein Modell mit Websuche oder bereitgestellte Quellen verwenden.

RechercheAlle

Quellenbasierte Zusammenfassung

Dokumente zusammenfassen, ohne ungestützte Ergänzungen

Zielmodell: Alle

Fassen Sie ausschließlich die bereitgestellten Quellen zusammen.
Thema: {{THEMA}}
Zielgruppe: {{ZIELGRUPPE}}
Umfang: {{UMFANG}}
Regeln:
- Keine Fakten ergänzen, die nicht in den Quellen stehen.
- Widersprüche zwischen Quellen ausdrücklich nennen.
- Unsichere Aussagen kennzeichnen.
- Am Ende: Kernaussagen, offene Fragen, nächste Schritte.
Quellen:
{{QUELLEN}}

VariablenTHEMA, ZIELGRUPPE, UMFANG, QUELLEN

Empfohlene Konfiguration{"reasoning":"medium","long_context":"Quellen zuerst, konkrete Frage am Ende"}

Besonders gut für Verträge, Richtlinien, technische Dokumentation.

VideoAlle

Video-Storyboard

Kurzes Video vor der Generierung in Shots planen

Zielmodell: Videomodelle

Erstellen Sie ein Storyboard für ein {{DAUER}}-Sekunden-Video zu {{THEMA}}.
Ziel: {{ZIEL}}
Format: {{FORMAT}}
Für jeden Shot: Dauer, Motiv, Kamera, Bewegung, Licht, Handlung, Übergang, optionaler Sprechertext.
Achten Sie auf visuelle Kontinuität und maximal {{SHOTZAHL}} Shots.

VariablenDAUER, THEMA, ZIEL, FORMAT, SHOTZAHL

Empfohlene Konfiguration{"reasoning":"medium"}

Storyboard zuerst prüfen, danach einzelne Video-Prompts ableiten.

Prompts & Konfigurationen

Agentenauftrag mit Tool-Grenzen

Universeller Arbeitsauftrag

Auto-Konfiguration · ~anthropic

Auto-Konfiguration · ~deepseek

Auto-Konfiguration · ~google

Auto-Konfiguration · ~moonshotai

Auto-Konfiguration · ~openai

Auto-Konfiguration · ~unbiased

Auto-Konfiguration · ~x Ai

Auto-Konfiguration · ~z Ai

Auto-Konfiguration · Aion Labs

Auto-Konfiguration · Amazon

Auto-Konfiguration · Anthracite Org

Auto-Konfiguration · Anthropic

Auto-Konfiguration · Apodex

Auto-Konfiguration · Arcee Ai

Auto-Konfiguration · Baidu

Auto-Konfiguration · ByteDance

Auto-Konfiguration · Bytedance Seed

Auto-Konfiguration · Cognitivecomputations

Auto-Konfiguration · Cohere

Auto-Konfiguration · DeepSeek

Auto-Konfiguration · Dots Studio

Auto-Konfiguration · Elorian

Auto-Konfiguration · Fireworks

Auto-Konfiguration · Google

Auto-Konfiguration · Gryphe

Auto-Konfiguration · Ibm Granite

Auto-Konfiguration · Inception

Auto-Konfiguration · Inclusionai

Auto-Konfiguration · Inference Net

Auto-Konfiguration · Kwaipilot

Auto-Konfiguration · Liquid

Auto-Konfiguration · Mancer

Auto-Konfiguration · Meituan

Auto-Konfiguration · Meta

Auto-Konfiguration · Microsoft

Auto-Konfiguration · MiniMax

Auto-Konfiguration · Mistral AI

Auto-Konfiguration · Moondream

Auto-Konfiguration · Moonshot AI

Auto-Konfiguration · Morph

Auto-Konfiguration · Nex Agi

Auto-Konfiguration · Nousresearch

Auto-Konfiguration · NVIDIA

Auto-Konfiguration · OpenAI

Auto-Konfiguration · Openrouter

Auto-Konfiguration · Perceptron

Auto-Konfiguration · Perplexity

Auto-Konfiguration · Poolside

Auto-Konfiguration · Prism Ml

Auto-Konfiguration · Qwen / Alibaba

Auto-Konfiguration · Reflection

Auto-Konfiguration · Rekaai

Auto-Konfiguration · Relace

Auto-Konfiguration · Sakana

Auto-Konfiguration · Sao10k

Auto-Konfiguration · Scaledown

Auto-Konfiguration · Stealth

Auto-Konfiguration · Stepfun

Auto-Konfiguration · Tencent

Auto-Konfiguration · Thedrummer

Auto-Konfiguration · Thinkingmachines

Auto-Konfiguration · Typesafe

Auto-Konfiguration · Unbiased

Auto-Konfiguration · Undi95

Auto-Konfiguration · Upstage

Auto-Konfiguration · Writer

Auto-Konfiguration · xAI

Auto-Konfiguration · Xiaomi

Auto-Konfiguration · Xingchen Agi

Auto-Konfiguration · Z.ai

Bildprompt professionell

Produktfoto / Werbemotiv

Entscheidungsmatrix

E-Mail professionell formulieren

Angebotstext IT-Dienstleistung

Anforderungsanalyse / Lastenheft

Meeting-Protokoll